[發(fā)明專利]一種改進(jìn)的輕量化的小目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 202010047311.9
• 申請日: 2020-01-16
• 公開（公告）號: CN111260630A
• 公開（公告）日: 2020-06-09
• 發(fā)明（設(shè)計(jì)）人: 朱婷婷;林煥凱;王祥雪;汪剛
• 申請（專利權(quán)）人: 高新興科技集團(tuán)股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/70;G06K9/00;G06K9/32
• 代理公司: 廣州國鵬知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44511
• 代理人: 寧尚國

本發(fā)明屬于計(jì)算機(jī)視覺及目標(biāo)檢測技術(shù)領(lǐng)域，具體涉及一種改進(jìn)的輕量化的小目標(biāo)檢測方法，通過改進(jìn)Tiny?DSOD算法的數(shù)據(jù)增強(qiáng)、主干網(wǎng)絡(luò)對其進(jìn)行優(yōu)化。該算法由主干網(wǎng)絡(luò)和融合模塊組合，基于前饋卷積神經(jīng)網(wǎng)絡(luò)，對目標(biāo)生成一系列固定大小的錨框，并輸出這些檢測框中包含某類物體實(shí)例的得分，然后通過非極大值抑制，輸出最終的檢測結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺及目標(biāo)檢測技術(shù)領(lǐng)域，具體涉及一種改進(jìn)的輕量化的小目標(biāo)檢測方法。

背景技術(shù)

目標(biāo)檢測是一種基于圖像的識別技術(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)器視覺領(lǐng)域的核心問題之一。廣泛應(yīng)用于人工智能和信息技術(shù)領(lǐng)域，包括機(jī)器人視覺、智能安防、自動駕駛、增強(qiáng)現(xiàn)實(shí)等。目標(biāo)檢測算法分為兩步目標(biāo)檢測算法和單步目標(biāo)檢測算法。兩步目標(biāo)檢測算法采用先選擇候選區(qū)域，然后對其進(jìn)行分類，例如RCNN、FastRCNN、FasterRCNN等，該類技術(shù)方法有較好的檢測精度，但檢測速度較慢，難以達(dá)到實(shí)時(shí)檢測的效果。單步檢測算法去除候選區(qū)域選擇部分，將定位和分類任務(wù)作為回歸問題處理，例如YOLO、SSD、tiny-DSOD等，優(yōu)點(diǎn)是檢測速度快，可以實(shí)現(xiàn)端到端的訓(xùn)練和檢測，但檢測精度略有下降。

現(xiàn)有Tiny-DSOD算法基于DenseNet主干網(wǎng)絡(luò)，可實(shí)現(xiàn)端到端的訓(xùn)練和檢測，但是相比SSD算法，速度較快，但是檢測精度略有下降，因此在實(shí)際應(yīng)用中，存在檢測精度不高的問題，特別是針對小目標(biāo)的檢測。

現(xiàn)有技術(shù)方案Tiny-DSOD算法基于DenseNet主干網(wǎng)絡(luò)，為了能融合淺層特征和高層的語義信息，借鑒FPN的思想，提出了一個(gè)輕量級的特征金字塔網(wǎng)絡(luò)DFPN，用于將信息流從較深和較小的特征圖重定向到較淺的。由下采樣和反向的上采樣組成，這種反向的上采樣已經(jīng)被很多文章證明其有效性，但是大部分都是用反卷積來實(shí)現(xiàn)，這大大增加了模型的復(fù)雜度，也使得模型難以收斂，因此該算法使用簡單的雙線性插值層進(jìn)行上采樣，其中多任務(wù)損失函數(shù)使我們能夠以端到端的方式訓(xùn)練整個(gè)網(wǎng)絡(luò)。相比單步SSD檢測算法，該方案提升了檢測速度，但因?yàn)檩p量化網(wǎng)絡(luò)結(jié)構(gòu)的引入，導(dǎo)致檢測精度變低，特別是針對小目標(biāo)的檢測。

常用的目標(biāo)檢測算法在進(jìn)行模型訓(xùn)練之前先對數(shù)據(jù)集進(jìn)行增強(qiáng)處理，一般通過類似SSD算法的數(shù)據(jù)增強(qiáng)方式，對原始數(shù)據(jù)集進(jìn)行隨機(jī)的扭曲、裁剪和縮放，從而增加訓(xùn)練數(shù)據(jù)的隨機(jī)性。但是該方法是對所有的圖像進(jìn)行通用的處理，在小目標(biāo)的檢測上不具有優(yōu)勢。

因此，本技術(shù)方案將從數(shù)據(jù)增強(qiáng)、主干網(wǎng)絡(luò)修改兩個(gè)方面進(jìn)行優(yōu)化，以使本方案在保證檢測速度不變的情況下，提升小目標(biāo)的檢測精度。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的技術(shù)缺陷，本發(fā)明設(shè)計(jì)了一種改進(jìn)的輕量化的小目標(biāo)檢測方法。

本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

一種輕量化的小目標(biāo)檢測方法，包括以下步驟：獲取待檢測的圖像；對所述待檢測的圖像進(jìn)行數(shù)據(jù)增強(qiáng)，獲得增強(qiáng)后的第一增強(qiáng)數(shù)據(jù)圖像；對所述第一增強(qiáng)數(shù)據(jù)圖像進(jìn)行采樣，獲取第二采樣增強(qiáng)數(shù)據(jù)圖像；所述第二采樣增強(qiáng)數(shù)據(jù)圖像送入SDB主干網(wǎng)絡(luò)擴(kuò)大感受野，再通過輕量級特征金字塔網(wǎng)絡(luò)(DFPN)特征融合處理，輸出多個(gè)特征提取層；對所述多個(gè)特征特區(qū)層進(jìn)行目標(biāo)檢測。

進(jìn)一步地，所述SDB主干網(wǎng)絡(luò)模塊的輸入圖像的大小為300×300，SDB主干網(wǎng)絡(luò)包含一個(gè)2D卷積，由5個(gè)Single BlazeBlock模塊和6個(gè)Double BlazeBlock模塊堆疊而成，所述Single BlazeBlock模塊和Double BlazeBlock模塊中均使用5*5卷積核，用于擴(kuò)大感受野。

進(jìn)一步地，所述的對所述第一增強(qiáng)數(shù)據(jù)圖像進(jìn)行采樣包括上采樣操作和下采樣操作。

進(jìn)一步地，所述上采樣操作采用簡單的雙線性插值層進(jìn)行，通過對應(yīng)元素求和，將生成的特征圖與底層相同大小的特征圖合并。