[發(fā)明專利]基于改進YOLOX模型的小目標檢測方法

在審

• 申請?zhí)枺?/td>: 202210822351.5
• 申請日: 2022-07-13
• 公開（公告）號: CN115063672A
• 公開（公告）日: 2022-09-16
• 發(fā)明（設計）人: 晁人傑;鄧亮;鄭卓斌;王立磊;劉若辰
• 申請（專利權）人: 廣州科語機器人有限公司
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/40;G06V10/774;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣東北定知識產權代理事務所(普通合伙) 44761
• 代理人: 曹江雄

1.基于改進YOLOX模型的小目標檢測方法，其特征在于，所述方法包括：

獲取待檢測圖像；

對所述待檢測圖像進行特征提取，得到多個初始特征；

將所述多個初始特征進行跨層特征融合，得到多個融合特征；

將所述多個融合特征進行預測處理，根據處理結果得到所述待檢測圖像的小目標檢測結果。

2.根據權利要求1所述的方法，其特征在于，所述對所述待檢測圖像進行特征提取，得到多個初始特征，包括：

對所述待檢測圖像進行識別，得到所述待檢測圖像中的待檢測目標尺寸；

若特征提取檢測頭的感受野大于所述待檢測目標尺寸，對所述待檢測圖像進行特征提取，得到多個初始特征。

3.根據權利要求2所述的方法，其特征在于，所述對所述待檢測圖像進行特征提取，得到多個初始特征，包括：

將所述待檢測圖像依次輸入改進YOLOX模型的Focus模塊和與所述Focus模塊串聯(lián)的多個卷積模塊進行特征提取，得到所述多個初始特征。

4.根據權利要求3所述的方法，其特征在于，包括：所述多個卷積模塊中的每個卷積模塊包括Dark模塊和注意力機制模塊，所述注意力機制模塊后的嵌入位置配置有檢測頭。

5.根據權利要求1所述的方法，其特征在于，所述將所述多個初始特征進行特征融合，得到多個融合特征，包括：

將所述多個初始特征按照預先配置的跨層連接位置進行特征融合，得到所述多個融合特征；

其中，所述跨層連接位置根據所述多個卷積模塊和所述改進YOLOX模型的多個特征融合模塊的相對位置關系配置得到。

6.根據權利要求3所述的方法，其特征在于，所述基于所述多個融合特征進行預測處理，根據處理結果得到所述待檢測圖像的小目標檢測結果，包括：

對所述多個融合特征進行預測處理，根據處理結果得到所述小目標檢測結果。

7.根據權利要求1至6任一項所述的方法，其特征在于，所述方法還包括：

獲取初始圖像數據集，所述初始圖像數據集包括訓練集和驗證集；

將所述訓練集輸入至待訓練的改進YOLOX模型進行訓練，通過所述驗證集對改進YOLOX模型進行驗證；

更新所述改進YOLOX模型的模型參數直至模型收斂，得到訓練后的改進YOLOX模型。

8.根據權利要求7所述的方法，其特征在于，所述將所述訓練集輸入至待訓練的改進YOLOX模型進行訓練之前，所述方法還包括：

獲取原始改進YOLOX模型；

將所述原始改進YOLOX模型的網絡偏移量初始化為0，通過Kaiming高斯初始化方法對所述原始改進YOLOX模型的網絡權重參數進行初始化。所述Kaiming高斯初始化方法服從以下分布；

其中，W_l為第l層權重，N為高斯分布，a為ReLU激活函數，n_l為第l層的數據維度。

9.根據權利要求7所述的方法，其特征在于，所述更新所述改進YOLOX模型的模型參數直至模型收斂，包括：

針對訓練中的每一次迭代，根據迭代前的梯度和損失函數得到迭代后的梯度，并根據所述迭代后的梯度執(zhí)行下一次迭代，直至訓練完全部測試集。所述梯度包括改進YOLOX模型的權重和偏移量；

針對訓練中每一輪訓練完全部訓練集，將前一次的模型參數進行指數滑動平均，以得到所述改進YOLOX模型新的模型參數，根據所述新的模型參數更新所述改進YOLOX模型，直至模型收斂或達到最大訓練輪次。

10.根據權利要求9所述的方法，其特征在于，所述方法還包括：

通過如下算法獲取訓練中的改進YOLOX模型的權重：

其中，W_t和W_t+1為第t次迭代和第t+1次迭代的權重，m_W為反向傳播算法的學習率，為損失函數對權重W的偏導數；

以及，通過如下算法獲取訓練中的改進YOLOX模型的偏移量：

其中，b_t和b_t+1為第t次迭代和第t+1次迭代的偏移量，m_b為反向傳播算法的學習率，為損失函數對偏移量b的偏導數；

以及，每輪訓練完后通過下列算法對該輪訓練后的改進YOLOX模型的模型參數進行指數滑動平均(EMA)：

其中，W_EMA,k、b_EMA,k分別表示對第k輪訓練后的權重和偏移量進行指數滑動平均更新后的參數值，a為衰減因子，為第k-1輪訓練后的權重和偏移量。