[發(fā)明專利]一種優(yōu)化SSD檢測模型訓(xùn)練方法及小目標(biāo)檢測方法在審
| 申請?zhí)枺?/td> | 202210330727.0 | 申請日： | 2022-03-30 |
| 公開（公告）號(hào)： | CN114821265A | 公開（公告）日： | 2022-07-29 |
| 發(fā)明（設(shè)計(jì)）人： | 強(qiáng)俊;劉無紀(jì);管萍;李習(xí)習(xí);杜云龍;肖光磊;吳維 | 申請（專利權(quán)）人： | 安徽工程大學(xué) |
| 主分類號(hào)： | G06V10/82 | 分類號(hào)： | G06V10/82;G06V10/774;G06V10/80;G06V20/17;G06V10/764;G06V10/776;G06N3/04;G06N3/08 |
| 代理公司： | 北京風(fēng)雅頌專利代理有限公司 11403 | 代理人： | 方昊 |
| 地址： | 241000 *** | 國省代碼： | 安徽;34 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 優(yōu)化 ssd 檢測 模型 訓(xùn)練 方法 目標(biāo) | ||
1.一種用于檢測小目標(biāo)的優(yōu)化SSD檢測模型訓(xùn)練方法，其特征在于，包括：
獲取歷史圖像；
將歷史圖像劃分為訓(xùn)練集和測試集；
將訓(xùn)練集中的歷史圖像分別輸入VGG16網(wǎng)絡(luò)和ResNet50網(wǎng)絡(luò)中進(jìn)行卷積，分別獲得VGG16網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)和ResNet50網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)；
將所述VGG16網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)和ResNet50網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)進(jìn)行特征融合，獲得融合后的VGG16網(wǎng)絡(luò)圖像初次融合數(shù)據(jù)；
將所述VGG16網(wǎng)絡(luò)圖像初次融合數(shù)據(jù)和ResNet50網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)返回執(zhí)行分別輸入VGG16網(wǎng)絡(luò)和ResNet50網(wǎng)絡(luò)中進(jìn)行卷積的步驟，直至達(dá)到預(yù)設(shè)卷積次數(shù)，獲得VGG16網(wǎng)絡(luò)圖像融合數(shù)據(jù)；
將所述VGG16網(wǎng)絡(luò)圖像融合數(shù)據(jù)輸入到SSD后續(xù)網(wǎng)絡(luò)中進(jìn)行分類和檢測，獲得改進(jìn)的SSD檢測模型；
用測試集對改進(jìn)的SSD檢測模型進(jìn)行測試，計(jì)算損失函數(shù)，與前一次訓(xùn)練得到的損失函數(shù)比較，若損失函數(shù)小于前一次訓(xùn)練的損失函數(shù)，則返回執(zhí)行將訓(xùn)練集中的歷史圖像分別輸入VGG16網(wǎng)絡(luò)和ResNet50網(wǎng)絡(luò)中進(jìn)行卷積的步驟，直至損失函數(shù)趨于穩(wěn)定，獲得的SSD檢測模型為優(yōu)化SSD檢測模型。
2.根據(jù)權(quán)利要求1所述的用于檢測小目標(biāo)的優(yōu)化SSD檢測模型訓(xùn)練方法，其特征在于，所述預(yù)設(shè)卷積次數(shù)為三次。
3.根據(jù)權(quán)利要求1所述的用于檢測小目標(biāo)的優(yōu)化SSD檢測模型訓(xùn)練方法，其特征在于，采用元素相加的方式對所述VGG16網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)和ResNet50網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)進(jìn)行特征融合：
FOUT＝ε(Fout)
式中表示元素相加，F(xiàn)l表示VGG16網(wǎng)絡(luò)的輸出特征，F(xiàn)a表示ResNet50網(wǎng)絡(luò)的輸出特征，F(xiàn)out表示特征融合結(jié)果，使用FOUT作為VGG16網(wǎng)絡(luò)下一層的輸入值；從Fout到FOUT的過程通過以ε作為1×1的卷積操作進(jìn)行調(diào)整。
4.一種無人機(jī)航拍圖像的小目標(biāo)檢測方法，其特征在于，包括：
獲取無人機(jī)航拍歷史圖像；
用所述無人機(jī)航拍歷史圖像對初始SSD檢測模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的優(yōu)化SSD檢測模型，其中，所述初始SSD檢測模型以VGG16網(wǎng)絡(luò)模型為主干，以ResNet50網(wǎng)絡(luò)為輔主干；
獲取無人機(jī)航拍實(shí)時(shí)圖像；
將所述無人機(jī)航拍實(shí)時(shí)圖像輸入所述優(yōu)化SSD檢測模型中，以識(shí)別所述無人機(jī)航拍實(shí)時(shí)圖像中的小目標(biāo)。
5.根據(jù)權(quán)利要求4所述的無人機(jī)航拍圖像的小目標(biāo)檢測方法，其特征在于，所述用所述無人機(jī)航拍歷史圖像對初始SSD檢測模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的優(yōu)化SSD檢測模型，包括：
將所述無人機(jī)航拍歷史圖像劃分為訓(xùn)練集和測試集；
將訓(xùn)練集中的無人機(jī)航拍歷史圖像分別輸入VGG16網(wǎng)絡(luò)和ResNet50網(wǎng)絡(luò)中進(jìn)行卷積，分別獲得VGG16網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)和ResNet50網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)；
將所述VGG16網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)和ResNet50網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)進(jìn)行特征融合，獲得融合后的VGG16網(wǎng)絡(luò)圖像初次融合數(shù)據(jù)；
將所述VGG16網(wǎng)絡(luò)圖像初次融合數(shù)據(jù)和ResNet50網(wǎng)絡(luò)圖像初次卷積數(shù)據(jù)返回執(zhí)行分別輸入VGG16網(wǎng)絡(luò)和ResNet50網(wǎng)絡(luò)中進(jìn)行卷積的步驟，直至達(dá)到預(yù)設(shè)卷積次數(shù)，獲得VGG16網(wǎng)絡(luò)圖像融合數(shù)據(jù)；
將所述VGG16網(wǎng)絡(luò)圖像融合數(shù)據(jù)輸入到SSD后續(xù)網(wǎng)絡(luò)中進(jìn)行分類和檢測，獲得改進(jìn)的SSD檢測模型；
用測試集對改進(jìn)的SSD檢測模型進(jìn)行測試，計(jì)算損失函數(shù)，與前一次訓(xùn)練得到的損失函數(shù)比較，若損失函數(shù)小于前一次訓(xùn)練的損失函數(shù)，則返回執(zhí)行將訓(xùn)練集中的歷史圖像分別輸入VGG16網(wǎng)絡(luò)和ResNet50網(wǎng)絡(luò)中進(jìn)行卷積的步驟，直至損失函數(shù)趨于穩(wěn)定，獲得的SSD檢測模型為優(yōu)化SSD檢測模型。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于安徽工程大學(xué)，未經(jīng)安徽工程大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210330727.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
