[發(fā)明專利]一種基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110319663.X
• 申請(qǐng)日: 2021-03-25
• 公開(kāi)（公告）號(hào): CN113033661A
• 公開(kāi)（公告）日: 2021-06-25
• 發(fā)明（設(shè)計(jì)）人: 牛軍浩;蘇金操;王文勝;駱薇羽;許川佩
• 申請(qǐng)（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G06N5/04
• 代理公司: 桂林文必達(dá)專利代理事務(wù)所(特殊普通合伙) 45134
• 代理人: 張學(xué)平

1.一種基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法，其特征在于，包括下列步驟：

構(gòu)建目標(biāo)檢測(cè)模型；

選擇檢測(cè)目標(biāo)，輸入所述目標(biāo)檢測(cè)模型，提取淺層視覺(jué)特征；

增強(qiáng)所述淺層視覺(jué)特征，獲得特征組，優(yōu)化計(jì)算；

量化權(quán)重，輸出檢測(cè)結(jié)果。

2.如權(quán)利要求1所述的基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法，其特征在于，所述目標(biāo)檢測(cè)模型包括由輸入端，BackBone層，Neck層和Pridiction層，所述輸入端，所述BackBone層，所述Neck層和所述Pridiction層依次連接設(shè)置。

3.如權(quán)利要求2所述的基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法，其特征在于，在選擇檢測(cè)目標(biāo)，輸入所述目標(biāo)檢測(cè)模型，提取淺層視覺(jué)特征的過(guò)程中，所述淺層視覺(jué)特征在所述BackBone層進(jìn)行提取，所述BackBone層使用CSPDarknet53作為骨干網(wǎng)絡(luò)。

4.如權(quán)利要求3所述的基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法，其特征在于，在增強(qiáng)所述淺層視覺(jué)特征，獲得特征組，優(yōu)化計(jì)算的過(guò)程中，使用了Batch Group Normalization作為歸一化方式，利用所述Batch Group Normalization將新維度劃分為特征組，計(jì)算整個(gè)小批和特征組的統(tǒng)計(jì)量。

5.如權(quán)利要求4所述的基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法，其特征在于，在利用所述Batch Group Normalization將新維度劃分為特征組，計(jì)算整個(gè)小批和特征組的統(tǒng)計(jì)量的過(guò)程中，包括下列步驟：

以特征組的形式劃分特征圖；

計(jì)算每個(gè)特征組的均值和方差統(tǒng)計(jì)；

用計(jì)算出的統(tǒng)計(jì)量歸一化每個(gè)特征組；

重新縮放并重新移動(dòng)歸一化特征圖，保持深度卷積神經(jīng)的表示能力。

6.如權(quán)利要求5所述的基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法，其特征在于，所述Neck層使用PAnet，只選取P3,P4,P5進(jìn)行計(jì)算。

7.如權(quán)利要求5所述的基于嵌入式平臺(tái)特點(diǎn)改進(jìn)的目標(biāo)檢測(cè)方法，其特征在于，在量化權(quán)重，輸出檢測(cè)結(jié)果的過(guò)程中，權(quán)重和計(jì)算過(guò)程中的激活值從32位浮點(diǎn)型運(yùn)算推理成8位整形數(shù)據(jù)。