[發(fā)明專利]一種優(yōu)化SSD檢測模型訓練方法及小目標檢測方法

在審

• 申請?zhí)枺?/td>: 202210330727.0
• 申請日: 2022-03-30
• 公開（公告）號: CN114821265A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設計）人: 強俊;劉無紀;管萍;李習習;杜云龍;肖光磊;吳維
• 申請（專利權(quán)）人: 安徽工程大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/774;G06V10/80;G06V20/17;G06V10/764;G06V10/776;G06N3/04;G06N3/08
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 方昊

本說明書一個或多個實施例提供的一種優(yōu)化SSD檢測模型訓練方法及小目標檢測方法，將SSD檢測模型中的VGG16網(wǎng)絡作為主網(wǎng)絡，再利用殘差網(wǎng)絡對于特征信息表達能力強的優(yōu)勢，引入ResNet50網(wǎng)絡作為輔助主網(wǎng)絡，以提升網(wǎng)絡的特征表達能力，將VGG16網(wǎng)絡卷積后獲得的卷積數(shù)據(jù)與ResNet50網(wǎng)絡卷積后獲得的卷積數(shù)據(jù)進行特征融合，將融合后的卷積數(shù)據(jù)重新進行卷積，直至達到預設次數(shù)，然后將融合數(shù)據(jù)輸入到SSD后續(xù)網(wǎng)絡中進行分類和檢測，獲得改進的SSD檢測模型，再對SSD檢測模型進行測試，直至損失函數(shù)趨于穩(wěn)定，最終獲得優(yōu)化SSD檢測模型，可以在檢測速度快的同時提高SSD網(wǎng)絡對于小目標的檢測能力。

技術(shù)領域

本說明書一個或多個實施例涉及機器視覺、圖像處理技術(shù)領域，尤其涉及一種優(yōu)化SSD檢測模型訓練方法及小目標檢測方法。

背景技術(shù)

近年來，無人機檢測技術(shù)開始廣泛應用在真實交通場景中，車輛和行人檢測作為無人機檢測技術(shù)的重要組成部分，具有重要研究意義。

迄今，目標檢測方法通?？梢苑譃閭鹘y(tǒng)的機器學習方法和深度學習方法。傳統(tǒng)的機器學習方法均是基于手工設計的，加之特征提取的過程過于復雜，因此這些方法常常存在泛化能力差，檢測速度慢，檢測精度低等問題，難以適應不同場景的檢測任務。

目前，基于深度卷積網(wǎng)絡的目標檢測方法通常分為:基于Two-Stage的檢測方法和基于Single-Stage的檢測方法。基于Two-Stage的檢測方法中以Faster R-CNN性能最為優(yōu)異，該網(wǎng)絡引入了一個區(qū)域建議網(wǎng)絡(RPN)，它可以同時預測每個位置的目標邊界和目標得分，經(jīng)過端到端訓練，生成高質(zhì)量的區(qū)域建議，提高網(wǎng)絡的檢測精度，但Faster R-CNN網(wǎng)絡結(jié)構(gòu)復雜，檢測速度十分緩慢?？紤]到效率的問題，Single-Stage方法隨后被提出，其代表方法是YOLO和SSD(Single Shot MultiBox Detector)。YOLO使用了全連接網(wǎng)絡，這會導致空間信息丟失、定位錯誤和目標漏檢等問題，尤其對小目標的檢測效果較差，影響最終的檢測精度。SSD借用Faster R-CNN中的Anchor思想，并且使用多個不同尺度的特征圖進行檢測，由于各個特征圖的感受視野不同，所以SSD可以很好地適應不同大小目標的檢測，但是SSD的淺層特征圖語義信息較差，因此SSD對小目標的檢測效果并不理想。

發(fā)明內(nèi)容

有鑒于此，本說明書一個或多個實施例的目的在于提出一種優(yōu)化SSD檢測模型訓練方法及小目標檢測方法，能夠有效提高小目標檢測的檢測精度。

基于上述目的，本說明書一個或多個實施例提供了一種用于檢測小目標的優(yōu)化SSD檢測模型訓練方法，包括：

獲取歷史圖像；

將歷史圖像劃分為訓練集和測試集；

將訓練集中的歷史圖像分別輸入VGG16網(wǎng)絡和ResNet50網(wǎng)絡中進行卷積，分別獲得VGG16網(wǎng)絡圖像初次卷積數(shù)據(jù)和ResNet50網(wǎng)絡圖像初次卷積數(shù)據(jù)；

將所述VGG16網(wǎng)絡圖像初次卷積數(shù)據(jù)和ResNet50網(wǎng)絡圖像初次卷積數(shù)據(jù)進行特征融合，獲得融合后的VGG16網(wǎng)絡圖像初次融合數(shù)據(jù)；

將所述VGG16網(wǎng)絡圖像初次融合數(shù)據(jù)和ResNet50網(wǎng)絡圖像初次卷積數(shù)據(jù)返回執(zhí)行分別輸入VGG16網(wǎng)絡和ResNet50網(wǎng)絡中進行卷積的步驟，直至達到預設卷積次數(shù)，獲得VGG16網(wǎng)絡圖像融合數(shù)據(jù)；

將所述VGG16網(wǎng)絡圖像融合數(shù)據(jù)輸入到SSD后續(xù)網(wǎng)絡中進行分類和檢測，獲得改進的SSD檢測模型；

用測試集對改進的SSD檢測模型進行測試，計算損失函數(shù)，與前一次訓練得到的損失函數(shù)比較，若損失函數(shù)小于前一次訓練的損失函數(shù)，則返回執(zhí)行將訓練集中的歷史圖像分別輸入VGG16網(wǎng)絡和ResNet50網(wǎng)絡中進行卷積的步驟，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。