[發(fā)明專(zhuān)利]基于SE模塊的SSD目標(biāo)檢測(cè)方法及計(jì)算機(jī)存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910769868.0
• 申請(qǐng)日: 2019-08-20
• 公開(kāi)（公告）號(hào): CN110543879A
• 公開(kāi)（公告）日: 2019-12-06
• 發(fā)明（設(shè)計(jì)）人: 毛亮;肖淳月;劉三陽(yáng);朱婷婷;王祥雪;譚煥新;黃仝宇;汪剛;侯玉清;劉雙廣
• 申請(qǐng)（專(zhuān)利權(quán)）人: 高新興科技集團(tuán)股份有限公司;西安電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/32
• 分類(lèi)號(hào): G06K9/32;G06N3/04
• 代理公司: 44511 廣州國(guó)鵬知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙)
• 代理人: 何志軍<國(guó)際申請(qǐng)>=<國(guó)際公布>=<進(jìn)入

本發(fā)明提供一種基于SE模塊的SSD目標(biāo)檢測(cè)方法及計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述方法包括以下步驟：S1、獲取需要進(jìn)行目標(biāo)識(shí)別的圖片或者視頻；S2、將卷積神經(jīng)網(wǎng)絡(luò)ResNet18的第一個(gè)卷積層替換為3×3卷積層，并在ResNet18的第一個(gè)和第二個(gè)殘差塊中添加SE模塊，形成SE?ResNet18網(wǎng)絡(luò)結(jié)構(gòu)；S3、將SSD目標(biāo)檢測(cè)算法中的主干網(wǎng)絡(luò)替換為所述SE?ResNet18網(wǎng)絡(luò)結(jié)構(gòu)，得到檢測(cè)模型；S4、對(duì)所述檢測(cè)模型進(jìn)行針對(duì)小目標(biāo)檢測(cè)的訓(xùn)練，獲得訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型；S5、根據(jù)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述圖片或者視頻的小目標(biāo)進(jìn)行檢測(cè)，得到檢測(cè)結(jié)果。根據(jù)本發(fā)明實(shí)施例的方法，既保證了一定的檢測(cè)速度，又提升了小目標(biāo)的檢測(cè)精度，同時(shí)盡量降低了對(duì)模型大小的影響。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)檢測(cè)領(lǐng)域，更具體地，涉及一種基于SE模塊的SSD目標(biāo)檢測(cè)方法及計(jì)算機(jī)存儲(chǔ)介質(zhì)。

背景技術(shù)

目標(biāo)檢測(cè)是一種基于圖像的識(shí)別技術(shù)，目的是找出圖像中所有感興趣的目標(biāo)(物體)，確定它們的位置和大小，是機(jī)器視覺(jué)領(lǐng)域的核心問(wèn)題之一。其中， SSD(Single ShotDetector)目標(biāo)檢測(cè)算法是當(dāng)前目標(biāo)檢測(cè)領(lǐng)域熱門(mén)的方法之一。但SSD算法對(duì)小目標(biāo)檢測(cè)的效果不理想。為進(jìn)一步提高目標(biāo)檢測(cè)算法的精度，研究者們基于SSD算法提出了一系列改進(jìn)算法，如DSSD、FSSD、ESSD、 WeaveNet等。這些改進(jìn)算法可歸納為兩個(gè)方向：增加主干網(wǎng)絡(luò)的深度或采用上下文融合模塊為低層特征圖增加更多的語(yǔ)義信息。這些改進(jìn)算法雖然提升了檢測(cè)精度，但也使網(wǎng)絡(luò)結(jié)構(gòu)變得更為復(fù)雜，明顯影響了網(wǎng)絡(luò)的模型大小和檢測(cè)速度。

SSD算法不僅利用回歸的思想簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度，提高算法的實(shí)時(shí)性，還采用anchors機(jī)制提取不同寬高比尺寸特征，提升檢測(cè)不同尺度目標(biāo)的魯棒性。其網(wǎng)絡(luò)結(jié)構(gòu)主要分為兩部分：一部分是位于前端的深度卷積神經(jīng)網(wǎng)絡(luò)(主干網(wǎng)絡(luò))，采用的是去除分類(lèi)層的圖像分類(lèi)網(wǎng)絡(luò)，如VGG用于目標(biāo)初步特征提取；另一部分是位于后端的多尺度特征檢測(cè)網(wǎng)絡(luò)，是一組級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)，將前端網(wǎng)絡(luò)產(chǎn)生的特征層進(jìn)行不同尺度條件下的特征提取，如圖1 所示。在SSD算法中，因?yàn)樾〕叽缒繕?biāo)在較低層級(jí)IOU較大，小尺寸的目標(biāo)多用較低層級(jí)的anchor來(lái)訓(xùn)練。但由于較低層級(jí)的特征非線(xiàn)性程度不夠，無(wú)法訓(xùn)練到足夠的精確度，因此當(dāng)前基于SSD的目標(biāo)檢測(cè)方法對(duì)小目標(biāo)檢測(cè)精度欠佳。

此外，當(dāng)前基于SSD改進(jìn)的目標(biāo)檢測(cè)方法為了提升小目標(biāo)檢測(cè)精度，引入的上下文融合模塊(如圖2)參數(shù)較多，計(jì)算量大，使得最終的模型大小往往在100MB以上，檢測(cè)速度也明顯降低。

綜上可以看出，目前的目標(biāo)檢測(cè)方法主要存在以下幾個(gè)缺點(diǎn)：

(1)經(jīng)典的SSD目標(biāo)檢測(cè)方法對(duì)小目標(biāo)檢測(cè)精度欠佳。這主要是因?yàn)樾〕叽绲哪繕?biāo)多用較低層級(jí)的anchor來(lái)訓(xùn)練，但較低層級(jí)的特征非線(xiàn)性程度不夠，因此無(wú)法訓(xùn)練到足夠的精確度。

(2)當(dāng)前基于SSD改進(jìn)的目標(biāo)檢測(cè)算法通過(guò)引入上下文融合模塊提高目標(biāo)檢測(cè)精度，導(dǎo)致參數(shù)量增加，計(jì)算量大，使得最終的模型大小往往在100MB 以上。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供一種基于SE模塊的SSD目標(biāo)檢測(cè)方法及計(jì)算機(jī)存儲(chǔ)介質(zhì)，既保證了檢測(cè)速度，又有效提升了小目標(biāo)的檢測(cè)精度。

為解決上述技術(shù)問(wèn)題，一方面，本發(fā)明提供一種基于SE模塊的SSD目標(biāo)檢測(cè)方法，所述方法包括以下步驟：S1、獲取需要進(jìn)行目標(biāo)識(shí)別的圖片或者視頻；S2、將卷積神經(jīng)網(wǎng)絡(luò)ResNet18的第一個(gè)卷積層替換為3×3卷積層，并在 ResNet18的第一個(gè)和第二個(gè)殘差塊中添加SE模塊，形成SE-ResNet18網(wǎng)絡(luò)結(jié)構(gòu)；S3、將SSD目標(biāo)檢測(cè)算法中的主干網(wǎng)絡(luò)替換為所述SE-ResNet18網(wǎng)絡(luò)結(jié)構(gòu)，得到檢測(cè)模型；S4、對(duì)所述檢測(cè)模型進(jìn)行針對(duì)小目標(biāo)檢測(cè)的訓(xùn)練，獲得訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型；S5、根據(jù)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述圖片或者視頻的小目標(biāo)進(jìn)行檢測(cè)，得到檢測(cè)結(jié)果。