[發明專利]一種基于特征增強和細化的單階段水下生物目標檢測方法

在審

• 申請號: 202011169614.4
• 申請日: 2020-10-27
• 公開（公告）號: CN112417980A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 范保杰;陳煒
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 冒艷

1.一種基于特征增強和細化的單階段水下生物目標檢測方法，其特點在于，包括以下步驟：

步驟(1)：采集訓練數據，通過水下相機獲取水下生物訓練特征樣本，構建所需水下目標檢測數據集；

步驟(2)：數據預處理，對采集到的水下數據集進行人工標注，劃分為4個類，并將采集到的數據按照7∶3的比例劃分訓練集和測試集；

步驟(3)：構建神經網絡，包含特征提取骨干網絡、特征增強模塊和特征細化模塊，特征提取網絡由特征提取骨干復合連接而成，特征增強模塊由卷積分支組合而成，特征細化模塊集成在預測分支上，且使用可變形卷積核；

步驟(4)：訓練神經網絡，將所述的訓練集數據輸入構建好的神經網絡進行訓練，得到水下生物目標檢測的權重模型；

步驟(5)：預測結果，通過訓練的得到的權重模型，構建一個檢測器，對測試集數據進行回歸和分類，得到測試集的檢測結果。

2.根據權利要求1所述的一種基于特征增強和細化的單階段水下生物目標檢測方法，其特征在于：步驟(2)中，在對數據集進行標注時，標注的數據包含4個類：海膽、海參、海星和貝殼，生成標注文件，包含文件名、目標類別、目標真值框左上角坐標(x_min，y_max)、和目標真值框右下角坐標(x_max，y_min)。

3.根據權利要求1所述的一種基于特征增強和細化的單階段水下生物目標檢測方法，其特征在于：所述步驟(3)中特征提取骨干由基本特征提取骨干VGG16和ResNet50復合連接而成。

4.根據權利要求1所述的一種基于特征增強和細化的單階段水下生物目標檢測方法，其特征在于：所述步驟(3)中特征增強模塊包含3個卷積分支，第一個卷積分支由卷積核大小分別為1，5和3的三個連續卷積層組成，其中，卷積核大小為3的卷積層引入了擴張率為5的空洞卷積；第二個卷積分支由卷積核大小為1，3和3的三個連續卷積層組成，其中，卷積核為3的卷積層引入了擴張率為3的空洞卷積；第三個卷積分支包含卷積核大小為1的卷積和卷積核大小為3，擴張率為1的空洞卷積，三個卷積分支的結果進行特征融合并調整通道數量后與原始特征進行dropout，權重設為0.1，最后使用ReLU激活函數輸出增強后的特征結果，特征增強過程可表示為以下公式：

其中，X_in表示輸入特征，[br_1，5，3，br_1，3，3，br_1，3]分別表示三個不同的卷積層分支，表示特征融合并調整通道，k是dropout的權重(取值為0.1)，f表示ReLU激活函數，X_out表示增強后的特征。

5.根據權利要求1所述的一種基于特征增強和細化的單階段水下生物目標檢測方法，其特征在于：所述步驟(3)中特征細化模塊集成在6個預測分支上，每個分支包含6個具有可變形卷積核的連續卷積層，特征細化模塊對特征進行粗細兩次回歸和分類，第一次進行二分類，即區分目標前背景，并粗略回歸目標位置，第二次進行多分類任務，并通過可變形卷積學習邊框偏移量，最終細化目標位置。

6.根據權利要求1所述的一種基于特征增強和細化的單階段水下生物目標檢測方法，其特征在于：步驟(4)中訓練神經網絡時，神經網絡訓練學習率采用Warm Up策略，前六輪訓練在10^-6和4×10^-3之間動態選擇學習率，之后學習率趨近0.002，訓練階段的優化器選擇SGD，一共訓練250輪。

7.根據權利要求1所述的一種基于特征增強和細化的單階段水下生物目標檢測方法，其特征在于：步驟(5)中，檢測器對測試集數據進行回歸和分類時，使用NMS非極大值抑制進行后處理，對IOU閾值小于0.5的邊框進行抑制。