[發(fā)明專利]一種基于激活函數(shù)改進的YOLOv3算法

在審

• 申請?zhí)枺?/td>: 202010880785.1
• 申請日: 2020-08-28
• 公開（公告）號: CN112364974A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計）人: 王蘭美;朱衍波;褚安亮;廖桂生;王桂寶;孫長征;賈建科
• 申請（專利權(quán)）人: 西安電子科技大學;陜西理工大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于激活函數(shù)改進的YOLOv3算法，包含以下步驟：

步驟一：下載當前目標檢測領(lǐng)域通用數(shù)據(jù)集PASCAL VOC數(shù)據(jù)集，保證與該領(lǐng)域通用數(shù)據(jù)集保持一致，以達到比對效果，檢測本發(fā)明方法性能；

步驟二：以改進的激活函數(shù)為基礎(chǔ)，重建YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)；

步驟三：在PASCAL VOC數(shù)據(jù)集對上述模型進行訓練；

步驟四：對比經(jīng)典的YOLOv3算法，分析測試結(jié)果。

2.根據(jù)權(quán)利要求書1所述的一種基于激活函數(shù)改進的YOLOv3算法，步驟一：下載當前目標檢測領(lǐng)域通用數(shù)據(jù)集VOC數(shù)據(jù)集，PASCAL VOC數(shù)據(jù)集提供了20個對象類別；本發(fā)明用到的數(shù)據(jù)集中圖片為標注了目標的類別信息p_i及該目標所在的中心位置坐標(x,y)及目標的寬度w和高度h，用矩形框可視化。

3.根據(jù)權(quán)利要求書1所述的一種基于激活函數(shù)改進的YOLOv3算法，步驟二：以改進的激活函數(shù)為基礎(chǔ)，重建YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)；

首先，對網(wǎng)絡(luò)的初始權(quán)重進行隨機化，使其服從高斯正態(tài)分布，然后輸入一張RGB圖片，這張圖片可以表示為a×a×3的矩陣形式，其中a為圖片的寬度和高度；

隨后，輸入矩陣會經(jīng)由下面構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)，由52個卷積層組成，分為三個階段，即三個不同尺度的輸出；具體如下，其中“×”代表乘積：

通過第1層卷積層，卷積核尺寸為3×3，步長為2，個數(shù)為32，得到208×208×32的特征圖輸出；進入第2層卷積層，卷積核尺寸為3×3，步長為1，個數(shù)為32，得到208×208×32的特征圖輸出，以此類推；依據(jù)網(wǎng)絡(luò)圖中的各層不同的卷積核，分別進入三個不同階段依次得到52×52×256的特征圖、26×26×512的特征圖和13×13×1024的特征圖，然后進入特征融合層1，2，3繼續(xù)進行特征融合操作，分別如下：

特征融合層1是一個卷積模塊，包含5步卷積操作，卷積核尺寸及個數(shù)依次為1×1×128、3×3×256、1×1×128、3×3×256和1×1×128，步長均為1，得到52×52×128的特征圖，然后進行3×3×75和1×1×75的卷積操作，最終得到52×52×75的特征圖1；

特征融合層2是一個卷積模塊，包含5步卷積操作，卷積核尺寸及個數(shù)依次為1×1×128、3×3×256、1×1×128、3×3×256和1×1×128，步長均為1，得到26×26×128的特征圖，然后進行3×3×75和1×1×75的卷積操作，最終得到26×26×75的特征圖2；

特征融合層3是一個卷積模塊，包含5步卷積操作，卷積核尺寸及個數(shù)依次為1×1×128、3×3×256、1×1×128、3×3×256和1×1×128，步長均為1，得到13×13×128的特征圖，然后進行3×3×75和1×1×75的卷積操作，最終得到13×13×75的特征圖3；

其中，每個卷積層分別包含3個操作：

第一步：對輸入該層的特征圖矩陣做卷積運算；

第二步：將上一步得到的卷積結(jié)果進行批量歸一化處理，將數(shù)據(jù)全部歸一化為[0,1]之間，得到歸一化之后的二維矩陣，有利于加快訓練速度；

第三步：將上一步得到的歸一化之后的二維矩陣作為激活函數(shù)的輸入，得到該層的最終輸出；

激活函數(shù)的公式如下：

y＝x×tanh(ln(1+e^x))

其中x是上一步得到的歸一化之后的二維矩陣，tanh()是雙曲正切函數(shù)，得到的y是每個神經(jīng)元經(jīng)過激活函數(shù)后的計算值；將非線性特性的激活函數(shù)引入到本發(fā)明的網(wǎng)絡(luò)中，這樣會保證輸入輸出之間是非線性映射關(guān)系，而不是簡單的線性組合的關(guān)系，從而能夠保證網(wǎng)絡(luò)的學習能力；

特征提取模塊的輸出為三個特征矩陣，這三個特征矩陣的維度分別為52×52×75、26×26×75和13×13×75，其中52×52×75的特征矩陣中每一個神經(jīng)元的感受野是最小的，可以負責檢測原始輸入圖像中的小目標，同理，13×13×75的特征矩陣中每一個神經(jīng)元的感受野是最大的，可以負責檢測原始輸入圖像中的大目標；這樣進行多尺度預測，可以避免小目標漏檢的情況；

其中以13×13×75特征圖為例，第一個維度13代表圖片中橫向像素點的個數(shù)，第二個維度13代表圖片中縱向像素點的個數(shù)，第三個維度75代表感興趣目標特征數(shù)，包含3個尺度的信息，每個尺度的信息又包含25個信息點，25個信息點分別為預測框的4個坐標信息t_xi，t_yi，t_wi，t_hi、預測置信度和類別概率其中類別信息其中(t_xi、t_yi)表示第i個預測框中心點的坐標參數(shù)值，(t_wi、t_hi)表示第i個預測框?qū)捄透叩膮?shù)值，預測置信度表示第i個預測框包含目標的概率，類別概率為多維向量，表示了第i個預測框的目標是某一類別的概率；需要注意的一點是，t_xi，t_yi，t_wi，t_hi這四個參數(shù)是相對位置坐標，需要轉(zhuǎn)化為最終在原始圖片中的實際坐標；轉(zhuǎn)換的公式如下：

其中，t_xi，t_yi，t_wi，t_hi是預測的相對坐標值，p_w、p_h表示預測框?qū)?yīng)錨框的寬度以及高度，c_x、c_y表示預測框相對圖片左上角位置坐標的偏移量，表示預測框中心點實際坐標，表示預測框的實際寬度以及實際高度。