[發(fā)明專利]一種基于嵌入式平臺特點改進的目標檢測方法

在審

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

本發(fā)明公開了一種基于嵌入式平臺特點改進的目標檢測方法，通過選擇yolo作為整體結構構建目標檢測模型，以CSPDarknet53作為骨干網(wǎng)絡BackBone提取圖像特征，利用所述Batch Group Normalization將新維度劃分為特征組，計算整個小批和特征組，在所述Neck層只選取P3,P4,P5進行計算，結合內(nèi)存訪問速度、內(nèi)存帶寬、DRAM速度的影響，提出更適合嵌入式平臺輕量型模型，結合實際嵌入式平臺的運算資源設計一個結構更簡單，檢測速度也更快的檢測方法。

技術領域

本發(fā)明涉及計算機視覺技術領域，尤其涉及一種基于嵌入式平臺特點改進的目標檢測方法。

背景技術

隨著深度學習的發(fā)展，卷積神經(jīng)網(wǎng)絡不斷與一些傳統(tǒng)的算法相融合，并引入遷移學習方法，2006年，Hinton等人在《Science》上發(fā)文，要點是多隱層的人工神經(jīng)網(wǎng)絡特征學習能力優(yōu)秀，學習到的特征更能反映數(shù)據(jù)的本質關聯(lián)性：“逐層預訓練”可有效克服深層神經(jīng)網(wǎng)絡在訓練上的困難。2014年Girshick設計了R-CNN模型，該模型在PASCAL VOC上進行目標檢測，相較于傳統(tǒng)的目標檢測方法，檢測準確度評估指標平均準確率均值(mean AveragePrecision,mAP)提高約20％，達到了62.4％。目前已經(jīng)出現(xiàn)了很多算法(或者訓練技巧，tricks)來提升神經(jīng)網(wǎng)絡的準確率。

Yolo-V4的主要目的在于設計一個能夠應用于實際工作環(huán)境中的快速目標檢測系統(tǒng)，且能夠被并行優(yōu)化，并沒有很刻意的去追求理論上的低計算量，所帶來的數(shù)據(jù)量也是成指數(shù)級的增長，并且沒有考慮到方法的復雜性和計算效率，以致需要依賴高功耗的計算平臺，卷積神經(jīng)網(wǎng)絡參數(shù)量大，完成一次目標檢測任務需要做大量的數(shù)據(jù)存取以及至少上億次的迭代運算，在嵌入式平臺的實時應用領域，存儲空間和計算開銷成為卷積神經(jīng)網(wǎng)絡發(fā)展的阻礙。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于嵌入式平臺特點改進的目標檢測方法，旨在結合實際嵌入式平臺的的運算資源設計一個結構更簡單，檢測速度也更快的檢測方法。

為實現(xiàn)上述目的，本發(fā)明采用的一種基于嵌入式平臺特點改進的目標檢測方法，包括下列步驟：

構建目標檢測模型；

選擇檢測目標，輸入所述目標檢測模型，提取淺層視覺特征；

增強所述淺層視覺特征，獲得特征組，優(yōu)化計算；

量化權重，輸出檢測結果。

其中，所述目標檢測模型包括由輸入端，BackBone層，Neck層和Pridiction層，所述輸入端，所述BackBone層，所述Neck層和所述Pridiction層依次連接設置。

其中，在選擇檢測目標，輸入所述目標檢測模型，提取淺層視覺特征的過程中，所述淺層視覺特征在所述BackBone層進行提取，所述BackBone層使用CSPDarknet53作為骨干網(wǎng)絡。

其中，在增強所述淺層視覺特征，獲得特征組，優(yōu)化計算的過程中，使用了BatchGroup 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，計算整個小批和特征組的統(tǒng)計量。

其中，在利用所述Batch Group Normalization將新維度劃分為特征組，計算整個小批和特征組的統(tǒng)計量的過程中，包括下列步驟：

以特征組的形式劃分特征圖；

計算每個特征組的均值和方差統(tǒng)計；

用計算出的統(tǒng)計量歸一化每個特征組；

重新縮放并重新移動歸一化特征圖，保持深度卷積神經(jīng)的表示能力。

其中，所述Neck層使用PAnet，只選取P3,P4,P5進行計算。