[發(fā)明專利]一種基于輕量化卷積的無錨框目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 202110390662.4
• 申請日: 2021-04-12
• 公開（公告）號: CN113011384B
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計(jì)）人: 袁正午;寇思佳
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/75;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種基于輕量化卷積的無錨框目標(biāo)檢測方法，屬于計(jì)算機(jī)視覺目標(biāo)檢測領(lǐng)域。該方法包括：S1：構(gòu)造輕量化的骨干網(wǎng)絡(luò)，并輸入圖片到輕量化的骨干網(wǎng)絡(luò)中，提取特征圖；S2：根據(jù)得到的特征圖進(jìn)行左上角點(diǎn)和右下角點(diǎn)的池化操作；S3：池化后的左上角點(diǎn)、右下角點(diǎn)都分別進(jìn)行十字星變形卷積與角點(diǎn)預(yù)測操作；S4：根據(jù)預(yù)測的角點(diǎn)和向心位移算法進(jìn)行角點(diǎn)匹配，由預(yù)測邊界框的得分輸出最終結(jié)果。本發(fā)明采用的無錨框的設(shè)計(jì)思想，在訓(xùn)練過程中可以解決正負(fù)樣本不平衡，超參數(shù)設(shè)計(jì)復(fù)雜，錨框的復(fù)雜計(jì)算等問題，同時(shí)輕量化的骨干網(wǎng)絡(luò)可以達(dá)到有效壓縮網(wǎng)絡(luò)模型，降低模型參數(shù)量，減少計(jì)算資源消耗，提升運(yùn)算速度的效果。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺目標(biāo)檢測領(lǐng)域，涉及一種基于輕量化卷積的無錨框目標(biāo)檢測方法。

背景技術(shù)

隨著深度學(xué)習(xí)的迅速發(fā)展，目標(biāo)檢測受到越來越多研究者的關(guān)注，用錨框來確定目標(biāo)物體的位置是目標(biāo)檢測中常用的方法，近年來引入了無錨框的設(shè)計(jì)思想，基于無錨框的目標(biāo)檢測拋開大量先驗(yàn)候選框的思想，直接對目標(biāo)物體進(jìn)行分類和預(yù)測位置。相比于之前基于錨框的方法，有更多的優(yōu)點(diǎn)：減少超參數(shù)的使用；減少大量的內(nèi)存資源消耗；解決正負(fù)樣本不平衡的問題等等。因此基于無錨框的目標(biāo)檢測在自動(dòng)駕駛、移動(dòng)娛樂、視頻監(jiān)控等領(lǐng)域具有重要的研究價(jià)值和廣泛的應(yīng)用前景。

基于無錨框的經(jīng)典網(wǎng)絡(luò)模型如CornerNet、CenterNet，其中CenterNet網(wǎng)絡(luò)模型是利用物體定位邊框的角點(diǎn)和中心點(diǎn)來實(shí)現(xiàn)目標(biāo)的分類與回歸，其效果不低于準(zhǔn)確度較高的基于錨框的網(wǎng)絡(luò)模型。盡管基于無錨框的網(wǎng)絡(luò)模型有著較高的預(yù)測精度，但也避免不了存在著一些缺陷：用來定位物體位置的邊界框角點(diǎn)大都位于物體之外，不能充分地表達(dá)目標(biāo)內(nèi)部的信息；對于多個(gè)相同的物體，容易造成誤檢與漏檢；訓(xùn)練過程中產(chǎn)生大量的參數(shù)等等，這都與主干網(wǎng)絡(luò)的選取有著一定的聯(lián)系。

因此選取輕量化的骨干網(wǎng)絡(luò)，可以較好地壓縮網(wǎng)絡(luò)模型，減少計(jì)算資源消耗，降低模型參數(shù)量，提升運(yùn)算速度。在相同計(jì)算資源的情況下，輕量化的網(wǎng)絡(luò)模型有著更高的檢測效率，同時(shí)在自動(dòng)駕駛、無人機(jī)等領(lǐng)域有著廣泛的應(yīng)用前景，這也是未來研究人員越來越關(guān)注的方向。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于輕量化卷積的無錨框目標(biāo)檢測方法，該方法采用的無錨框的設(shè)計(jì)思想，在訓(xùn)練過程中可以解決正負(fù)樣本不平衡，超參數(shù)設(shè)計(jì)復(fù)雜，錨框的復(fù)雜計(jì)算等問題，同時(shí)使用輕量化的骨干網(wǎng)絡(luò)可以達(dá)到有效壓縮網(wǎng)絡(luò)模型，降低模型參數(shù)量，減少計(jì)算資源消耗，提升運(yùn)算速度的效果。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于輕量化卷積的無錨框目標(biāo)檢測方法，包括以下步驟：

S1：構(gòu)造輕量化的骨干網(wǎng)絡(luò)，并輸入圖片到輕量化的骨干網(wǎng)絡(luò)中，提取特征圖；

S2：根據(jù)得到的特征圖進(jìn)行左上角點(diǎn)和右下角點(diǎn)的池化操作；

S3：池化后的左上角點(diǎn)、右下角點(diǎn)都分別進(jìn)行十字星變形卷積與角點(diǎn)預(yù)測操作；

S4：根據(jù)預(yù)測的角點(diǎn)和向心位移算法進(jìn)行角點(diǎn)匹配，由預(yù)測邊界框的得分輸出最終結(jié)果。

進(jìn)一步，步驟S1中，構(gòu)造輕量化的骨干網(wǎng)絡(luò)包括以下步驟：

S11：構(gòu)造基本卷積模塊，包括：構(gòu)造分離特征模塊；所述分離特征模塊采用通道分離，深度卷積，通道拼接和通道重排等操作，構(gòu)造成殘差結(jié)構(gòu)，融入了步長為2的下采樣卷積和步長為1基本卷積；進(jìn)行通道分離后的左右兩個(gè)分支，分別進(jìn)行卷積，池化和正則化等一系列操作后，進(jìn)行通道數(shù)拼接，使輸入和輸出通道數(shù)相同；

S12：構(gòu)造骨干網(wǎng)絡(luò)：由步長為2的下采樣卷積和步長為1基本卷積交替出現(xiàn)，融入分離特征模塊中，層層串聯(lián)構(gòu)成。骨干網(wǎng)絡(luò)分為3個(gè)階段，由基本卷積模塊層層串聯(lián)構(gòu)成；階段2包括4個(gè)卷積塊，階段3包括7個(gè)卷積塊，輸入維度為(511,511,3)的圖片，進(jìn)行卷積和最大池化操作后，輸出維度是(256,256,24)，接著進(jìn)行階段2、3的操作。