(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210624662.0 (22)申请日 2022.06.02 (71)申请人 济南大学 地址 250000 山东省济南市南 辛庄西路3 36 号 (72)发明人 徐涛　路丘　董吉文　 (74)专利代理 机构 山东国诚精信专利代理事务 所(特殊普通 合伙) 37312 专利代理师 刘海真 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01) G06V 20/10(2022.01) G06V 20/13(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于自解码的特征增强网络优化方法 及系统 (57)摘要 本发明公开了一种基于自解码的特征增强 网络优化方法及系统， 包括以下步骤： S1、 构建自 解码器模块； S2、 将自解码器模块引入到一般的 基于卷积神经网络的物体检测模 型中， 将构建好 的自解码器模块引入到物体检测模型的骨干网 络； S3、 划分物体检测数据集； S4、 对数据集中的 图像进行预测处理； S5、 使用训练数据用物体检 测模型和解码器进行协同训练； S6、 将自解码器 移除； S7、 将 验证数据送入到检测模型进行检测； S8、 得到检测结果， 将S7得到检测结果映射到原 图的相应位置并标注预测的类别信息。 本发明具 有将强的嵌入型， 且不增加预测时长， 而且和更 深的骨干网络的预测结果相比也 不逊色。 权利要求书2页 说明书8页 附图2页 CN 115018071 A 2022.09.06 CN 115018071 A 1.一种基于自解码的特 征增强网络优化方法及系统， 其特 征在于， 包括以下步骤： S1、 构建自解码器模块： 构建一个由四个上采样模块和一个上采样 操作组成的解码器； S2、 将自解码器模块引入到一般的基于卷积神经网络的物体检测模型中， 将构建好的 自解码器模块引入到物体 检测模型的骨干网络； S3、 划分物体 检测数据集； S4、 对数据集中的图像进行 预测处理； S5、 使用训练数据用物体 检测模型和解码器进行协同训练； S6、 将自解码器移除， 检测时， 不使用自解码器， 移除自解码器， 只使用原检测模型进行 结果的预测； S7、 将验证数据送入到检测模型进行检测； S8、 得到检测结果， 将S7 得到检测结果映射到原图的相应位置并标注预测的类别 信息。 2.根据权利要求1所述的一种基于自解码 的特征增强网络优化方法及系统， 其特征在 于： S1中上采样模块的结构依次为： 上采样 →第一残差块 →第二残差块 →融合层； 其中每个 残差块的结构为： 输入层 →1×1卷积→3×3卷积→1×1卷积； 融合层是对输入到每个上采 样模块的特征图做个1 ×1卷积和上采样后生成的特征图和最后一个残差块生成的特征图 融合， 其中残差块不会改变特征图的大小， 每个1 ×1卷积的卷积核个数为输入通道的1/4， 在每个卷积后面跟bn层和激活函数， 最后一个上采样 操作后跟一个sigmo id函数。 3.根据权利要求1所述的一种基于自解码 的特征增强网络优化方法及系统， 其特征在 于： S3中选取一些标注 好的光学遥感图像， 图像长宽不限， 每个batch会对图像做预 处理， 将 batch内图像缩放， 然后填补成统一大小的图像， 如果数据集类别多难训练则需要的图像要 多， 简单的数据集可以用1000+图像即可， 然后将67％的图像组成训练集， 将33％的图像组 成验证集和 测试集。 4.根据权利要求1所述的一种基于自解码 的特征增强网络优化方法及系统， 其特征在 于： S4中对每个mini ‑batch中的数据进行50％的概率的水平翻转， 然后对每个mini ‑batch 中的图像固定长宽的比例， 对长进行缩放至400 ‑600大小32的整数倍， 然后将 宽填补至400 ‑ 600大小32的整数倍。 5.根据权利要求1所述的一种基于自解码 的特征增强网络优化方法及系统， 其特征在 于： S5中协同训练包括以下步骤： S51、 将预处理的数据输入到骨干网络(resnet50或resnet101等)中进行特征提取， 生 成特征图C5； S52、 将特征图C5送入到物体检测的检测头(YOLO检测头或Fast  R‑CNN检测头等)进行 类别和边界框的预测， 然后和真实标签 计算交叉熵损失和边界框损失； S53、 将第一步生成的特征图C5送入到自解码器器模块进行四个上采样模块、 一个上采 样操作和sigmoid函数， 然后输出和图像预 处理后一样大小的特征图， 然后计算预处理后的 图像和特 征图之间的均方差损失函数； S54、 将S52和S5 3的损失函数同时 回传更新整个网络结构。 6.根据权利要求1所述的一种基于自解码 的特征增强网络优化方法及系统， 其特征在 于： S7中包括以下检测步骤： S71、 将预处 理的数据输入到骨干网络中进行 特征提取， 生成特 征图C5；权　利　要　求　书 1/2 页 2 CN 115018071 A 2S72、 将特征图C5送入到物体检测的检测头进行类别和边界框的预测， 然后经过非最大 值抑制(NMS)处 理生成检测结果。 7.根据权利要求1所述的一种基于自解码 的特征增强网络优化方法及系统， 其特征在 于： S1、 S2和S5中所描述的构建自解码模块以及自解码模块的嵌入训练， 针对检测模 型的骨 干网络设计对应的自解码器， 并使用构建的自解码器用于和物体检测模型进行协同训练， 以增强骨干网络中的特 征提取能力， 使检测的更强。权　利　要　求　书 2/2 页 3 CN 115018071 A 3