[發(fā)明專利]基于多尺度特征圖重構(gòu)和知識蒸餾的目標檢測方法與系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010324557.6
• 申請日: 2020-04-23
• 公開（公告）號: CN111626330B
• 公開（公告）日: 2022-07-26
• 發(fā)明（設(shè)計）人: 劉天亮;平安;戴修斌;鄒玉龍
• 申請（專利權(quán)）人: 南京郵電大學
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務(wù)所(普通合伙) 32204
• 代理人: 孟紅梅

本發(fā)明公開了一種基于多尺度特征圖重構(gòu)和知識蒸餾的目標檢測方法與系統(tǒng)，該方法首先利用骨干網(wǎng)絡(luò)Darknet?53提取特征，深層特征通過上采樣和淺層特征張量拼接生成多尺度特征圖；然后采用特征重標定策略來自動獲取特征圖中每個通道的權(quán)重，依照權(quán)重提升有用的特征并抑制無用特征，再用殘差模塊融合頂層特征的語義信息和底層特征的細節(jié)信息；再將骨干網(wǎng)絡(luò)中批量歸一化層的γ系數(shù)引入到剪枝目標函數(shù)中進行訓練，根據(jù)修剪閾值將低于閾值的γ系數(shù)所在通道從模型中去除；最后將訓練好的YOLOv3基準模型作為教師網(wǎng)絡(luò)，剪枝后的模型作為學生網(wǎng)絡(luò)進行知識蒸餾。本發(fā)明改善了在大范圍內(nèi)不同大小物體檢測的精度問題，同時降低了模型的計算量，提高了模型檢測速度。

技術(shù)領(lǐng)域

本發(fā)明提供一種基于多尺度特征圖重構(gòu)和知識蒸餾的目標檢測方法與系統(tǒng)，屬于計算機視覺的目標檢測技術(shù)領(lǐng)域。

背景技術(shù)

圖像目標識別是一項涉及計算機視覺、模式識別及人工智能等多領(lǐng)域的研究課題，隨著硬件技術(shù)的快速發(fā)展，基于深度學習平臺的嵌入式智能設(shè)備日漸成熟，越來越多的檢測算法嵌入到智能設(shè)備上，但是傳統(tǒng)的檢測方法對于一定范圍內(nèi)不同大小的目標檢測精度相差較大，不能精準地識別目標，達不到日常需求，并且傳統(tǒng)檢測算法模型參數(shù)過多，所需算力較大，不能很好地在嵌入式設(shè)備上運行，所以要提出一種既能夠使得檢測算法滿足多尺度目標檢測精度，且能夠在保證精度的情況下更快地運行在嵌入式設(shè)備上的技術(shù)，是一個很有挑戰(zhàn)性的工作。

傳統(tǒng)的目標識別算法大多使用特征金字塔來學習多尺度特征，以獲得更好的檢測精度，然而，目前的特征金字塔設(shè)計仍然不足以將語義信息整合到不同的尺度上，骨干網(wǎng)絡(luò)將提取的特征分為高級特征和低級特征，高層特征具有更強的語義信息，但是分辨率小，對細節(jié)的感知能力較差。對于小目標的檢測效果較差，低層特征分辨率更大，包含更多位置、細節(jié)信息，但是由于經(jīng)過的卷積層少，其語義信息少，噪聲更多，選擇更好的融合方法，可以提高多尺度目標的檢測精度。而選擇好的壓縮算法，可以使檢測模型的參數(shù)量大幅度減小，提高檢測速度。

針對多尺度目標檢測的分析中，文獻[Wei Liu,Dragomir Anguelov,DumitruErhan,Christian Szegedy,Scott Reed,Cheng-Yang Fu,and Alexander C Berg.Ssd:Single shot multibox detector.In ECCV,2016]提出的SSD，是生成卷積金字塔特征表示以進行對象檢測的首次嘗試之一。它可以生成多尺度的特征圖以預(yù)測各種大小的對象。但是，由于淺層特征圖包含的語義信息不足，這種自下而上的途徑在小實例上的準確性較低。為了解決卷積金字 塔的問題[Tsung-Yi Lin,Piotr Doll′ar, Ross Girshick,KaimingHe,Bharath Hariharan,and Serge Belongie.Feature pyramid networks for objectdetection.In CVPR,2017]提出了著名的特征金字塔，依次在骨干模型的特征層次結(jié)構(gòu)中將兩個相鄰的層與自頂向下的路徑和橫向連接相結(jié)合。低分辨率，語義上強的特征被上采樣，并與高分辨率，語義上弱的特征相結(jié)合，以構(gòu)建在所有層次上共享豐富語義的特征金字塔，但是它仍有很大的改進空間，例如，[Shu Liu,Lu Qi,Haifang Qin,Jianping Shi,andJiaya Jia.Path aggregation network for instance segmentation.In CVPR,2018]通過手動設(shè)計融合結(jié)構(gòu)，加強特征融合使得檢測準確度提高了很多，但是這些算法沒有結(jié)合YOLOv3和實際場景進行優(yōu)化，并且在特征圖重構(gòu)上還有很多進步空間。