[發明專利]一種用于移動端的輕量級目標檢測方法及系統

在審

• 申請號: 202010690770.9
• 申請日: 2020-07-17
• 公開（公告）號: CN111832576A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 李雪;李銳;金長新
• 申請（專利權）人: 濟南浪潮高新科技投資發展有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 姜明

本發明公開了一種用于移動端的輕量級目標檢測方法及系統，屬于深度學習目標檢測領域；所述的方法具體步驟如下：S1利用MOGO?SSD網絡架構搭建Depthwise與Pointwise的組合卷積；S2利用ImageNet數據集進行權重預訓練；S3保留訓練后的參數，作為預訓練模型進行二次優化；S4將二次優化后的訓練模型用于目標數據檢測；在本發明方法中，采用SSD目標檢測算法，SSD可以替代普通網絡中的全局池化和全連接層，抽取6層不同尺度的卷積特征用作檢測，大尺度特征圖(較靠前的特征圖)可以用來檢測小物體，而小尺度特征圖(較靠后的特征圖)用來檢測大物體，可以有效提高網絡的檢測速度和精度。

技術領域

本發明公開一種用于移動端的輕量級目標檢測方法及系統，涉及深度學習目標檢測技術領域。

背景技術

近年來，深度學習領域涌現出多種目標檢測網絡，在模型大小、推理速度、識別精度等多個方面表現優異。目標檢測多用于視頻監控追蹤領域，隨著邊緣計算的發展，通常要求移動端設備具有一定的智能檢測能力，受限于設備端的存儲資源、計算資源等，要求模型不能太大，且保持一定的推理速度和檢測精度。

目標檢測是計算機視覺領域的最主要的問題之一，廣泛用于安防監控、自動駕駛、人機交互等領域。目標檢測結合了定位與分類任務，近年來，深度學習在目標檢測任務中取得了突破性進展，但普遍存在模型過大，移動端設備部署困難等問題，量化、剪枝、知識蒸餾等方法雖然解決了模型大小的問題，但是存在一定的損失精度，在多目標、小目標的檢測問題中表現一般。

故現為解決上述問題，發明一種用于移動端的輕量級目標檢測方法及系統。

就此本專利設計了一種輕量級的目標檢測網絡，結合SSD算法，

發明內容

本發明針對現有技術的問題，提供一種用于移動端的輕量級目標檢測方法及系統，所采用的技術方案為：一種用于移動端的輕量級目標檢測方法，其特征是所述的方法具體步驟如下：

S1利用MOGO-SSD網絡架構搭建Depthwise與Pointwise的組合卷積；

S2利用ImageNet數據集進行權重預訓練；

S3保留訓練后的參數，作為預訓練模型進行二次優化；

S4將二次優化后的訓練模型用于目標數據檢測。

所述S1利用MOGO-SSD網絡架構搭建Depthwise與Pointwise的組合卷積的具體步驟包括：

S101利用DW在每個輸入數據的通道層面操作得到每個通道的空間特征；

S102利用PW對通道進行卷積操作。

所述S3保留訓練后的參數，作為預訓練模型進行二次優化的具體步驟包括：

S301將訓練后的權重參數作為預訓練模型；

S302設置新的全連接層和類別數目；

S303保存訓練后的參數進行二次訓練優化。

所述S3中還可以將MOGO Module嵌入到網絡結構中作為骨干網絡進行訓練優化。

一種用于移動端的輕量級目標檢測系統，所述的方系統具體包括組合搭建模塊、權重訓練模塊、優化訓練模塊和目標檢測模塊：

組合搭建模塊：利用MOGO-SSD網絡架構搭建Depthwise與Pointwise的組合卷積；

權重訓練模塊：利用ImageNet數據集進行權重預訓練；

優化訓練模塊：保留訓練后的參數，作為預訓練模型進行二次優化；

目標檢測模塊：將二次優化后的訓練模型用于目標數據檢測。