[發明專利]一種提高實時目標檢測系統中均值平均精度的方法

在審

• 申請號: 202010066060.9
• 申請日: 2020-01-20
• 公開（公告）號: CN111259973A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 陳德鵬;賈華宇;李戰峰;馬珺
• 申請（專利權）人: 太原理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 太原高欣科創專利代理事務所(普通合伙) 14109
• 代理人: 鄧東東;冷錦超

本發明公開了一種提高實時目標檢測系統中均值平均精度的方法，屬于目標檢測與圖像處理的領域；首先批量歸一化代替丟棄法，接著用模型分類器提取特征，然后去除全連層，將整個網絡變成一個全卷積網絡；使用人工選擇的邊界框進行預測；本發明使用K?means聚類方法類訓練物體標注框，可以自動找到更好的框寬高維度，使用預測相對于網格單元的坐標位置的辦法進行直接位置預測，定位預測值被歸一化后，參數更容易得到學習，模型更穩定；本發明使用維度集群和直接位置預測這兩項固定框改進方法，均值平均精度獲得了顯著的提升。

技術領域

本發明屬于目標檢測與數字圖像處理技術領域，涉及到一種提高實時目標檢測系統中均值平均精度的方法。

背景技術

深度學習發展迅速，目標檢測成了當下研究的熱門方向，應用前景非常廣闊，而實時目標檢測常常用于生產生活的關鍵領域，這使得對實時目標檢測的精度提出了更高的要求。

通常目標檢測是給定一個圖像，找到其中的目標，找到它們的位置，并且對目標進行分類。目標檢測模型通常是在一組固定的類上進行訓練的，所以模型只能定位和分類圖像中的那些類。此外，目標的位置通常是邊界矩陣的形式。所以，目標檢測需要涉及圖像中目標的位置信息和對目標進行分類。

使用固定的時候遇到了兩個問題，第一個是固定框的寬高維度往往是精選的先驗框，雖說在訓練過程中網絡也會學習調整框的寬高維度，最終得到準確的物體標注框。但是，如果一開始就選擇了更好的、更有代表性的先驗框維度，那么網絡就更容易學到準確的預測位置。

使用固定框時發現的第二個問題就是：模型不穩定，尤其是在早期迭代的時候。大部分的不穩定現象出現在預測框的坐標上了。無論在什么位置進行預測，任何固定框可以在圖像中任意一點結束。模型隨機初始化后，需要花很長一段時間才能穩定預測敏感的物體位置。

因此，當下對于傳統的實時目標檢測系統在先驗證框維度選取不足，以及預測框穩定性差，導致均值平均精度較低，這就使得實時目標檢測系統結果不精確，影響識別效果。

發明內容

本發明克服現有技術存在的不足，提供一種提高實時目標檢測系統中均值平均精度的方法，采用回歸模型，經過一次網絡傳播，得到整幅圖像的目標，目的是提高均值平均精度使得檢測準確率和速率得到提升。

本發明是通過如下技術方案實現的。

一種提高實時目標檢測系統中均值平均精度的方法，其特征在于，具體包括以下步驟：

1)網絡在每一個卷積層后添加批量歸一化，批量歸一化有助于規范化模型，使用批量歸一化代替丟棄法防止過擬合。

2)使用可視化數據庫對分類網絡進行訓練，使訓練后的分類網絡適應高分辨率的輸入。

3)去除全連層，將整個網絡變成一個全卷積網絡；所述的全卷積網絡可以對各尺寸輸入進行檢測。為了使網絡能夠接受多種尺寸的輸入圖像，該網絡除去了傳統網絡結構中的全連層，因為全連接層必須要求輸入輸出固定長度特征向量。將整個網絡變成一個全卷積網絡，能夠對多種尺寸輸入進行檢測。同時，全卷積網絡相對于全連接層能夠更好的保留目標的空間位置信息。

基于Darknet-改進。傳統Darknet雖然精度足夠好，但是模型比較大，網絡傳輸起來比較費時間，因此，本發明提出了一個自己的模型Darknet-改進。而傳輸網絡也正式以Darknet-改進作為先驗訓練模型訓練起來的。

4)采用固定框來預測物體標注框：去除一個池層來提高卷積層輸出分辨率，然后修改網絡輸入尺寸使特征圖只有一個中心。

5)使用K-means聚類方法類訓練物體標注框。

6)使用預測相對于網格的坐標位置進行直接位置預測。所述使用了預測相對于網格的坐標位置的辦法，把真值限制在了0到1之間，利用logistic回歸函數來進行這一限制。