一种基于改进的RetinaNet小目标检测方法

1.一种基于改进的RetinaNet小目标检测方法，其特征在于，包括以下步骤：步骤1：特征提取主干网络采用Resnet-101，包括Conv1、Conv2_x、Conv3_x、Conv4_x、Conv5_x五个不同尺度的采样层，把这五个采样层分别记为C1、C2、C3、C4、C5，将每层最后一个残差块的输出特征图利用1×1的卷积进行通道数统一，统一后的特征图分别记为M2，M3，M4，M5；步骤2：将M5经过3×3卷积消除融合带来的混叠效应，生成特征金字塔的最顶层特征层，记作P5，将M5经两倍上采样，与M4逐像素相加，再经过3×3卷积消除融合带来的混叠效应生成特征图，记为P4；步骤3：将C5和C4经过1×1卷积处理后的特征层分别进行两次和一次双线性插值，将其尺寸改变为与C3一致大小，并与C3进行通道拼接得到全新的多层特征F3，并将通道重新排列，然后利用1×1卷积减少特征通道数，并将其与经过上采样的M4逐像素相加融合，得到P3；步骤4：将P3通过语义内容提取器进行提取，将提取到的特征信息通过亚像素卷积操作将内容提取器提取到的特征的分辨率提升一倍，其尺寸大小在操作完成后与M2的尺寸大小一致，接着将P3与M2进行融合得到P2，通过纹理提取器进行提取，并与亚像素卷积的输出结果进行融合，得到最终的P2；步骤5：在FPN上每个检测层分别对应一个检测子网络，子网络包含两个分支，分别用于分类与回归，每个检测层分别使用1：1、1：2、2：1三种长宽比及三种尺寸的anchor，即9种anchor，检测时每一层只选取分数最高的1000个实例做NMS来完成最终的检测。 2.如权利要求1所述方法，其特征在于，步骤3中的尺寸改变方法为双线性插值。