本发明提出了一种改进的darknet53网络模型，用于提升小目标检测的准确性。通过特征提取、多尺寸特征融合、特征增强和边界回归等模块，解决单阶网络对小目标检测的局限性，提高小目标的检出率。
本发明属于计算机视觉领域，尤其涉及一种基于darknet53网络的小目标检测网络模型及检测方法。
背景技术：
目标检测是计算机视觉领域中的热门研究方向，其被广泛应用于人脸识别、智能驾驶及智能监控等多种领域。目标检测的任务是从图像中判断目标物体的存在与否并对其进行定位。由于人工智能技术的迅速发展，基于深度神经网络的目标检测方法在检测效率及准确率方面均要优于传统的目标检测方法。
基于深度神经网络的目标检测网络模型可分为单阶和双阶两种类型，单阶网络因其轻量、高效的特点加上不弱于双阶网络的检测准确率成为工业应用的首选，但只能对固定大小的图像进行检测，即对输入图像的尺寸存在较大的限制。
相对于大目标，小目标在图像中特性是占用的像素少，纹理及边缘特征不明显，由于单阶网络对于图像尺寸的限制进一步放大了小目标的特性，导致了单阶网络对于小目标检测的检出率较低。
技术实现要素：
本发明的目的在于提供一种基于darknet53网络的小目标检测网络模型及检测方法，用于提高单阶检测网络对于小目标的检出率，实现对于小目标的有效检测。
第一方面，本发明提供一种基于darknet53网络的小目标检测网络模型，该网络模型由特征提取模块、多尺寸特征融合模块、特征增强模块以及边界回归模块组成；
其中，特征提取模块以经过预处理的待检图像作为输入，特征提取模块的输出端连接多尺寸特征融合模块的输入端，每一个多尺寸特征融合模块的输出端分别依次连接一个特征增强模块和一个边界回归模块；
所述特征提取模块通过对输入图像的非线性变换得到多种尺寸的深层特征，模块内部结构基于darknet53网络&#x
最低0.47元/天 解锁文章
扫一扫
3774
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
