[發(fā)明專利]一種基于多尺度輕量化主干網(wǎng)絡(luò)的特征提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310492350.3
• 申請(qǐng)日: 2023-05-05
• 公開（公告）號(hào): CN116563558A
• 公開（公告）日: 2023-08-08
• 發(fā)明（設(shè)計(jì)）人: 沈志熙;李俊北;張洪田;吳玥;金其堅(jiān)
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G06V10/40
• 分類號(hào): G06V10/40;G06V10/774;G06V10/82;G06V10/80;G06V10/77;G06V20/10;G06N3/0464;G06N3/08
• 代理公司: 重慶晟軒知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50238
• 代理人: 王海鳳

本發(fā)明涉及一種基于多尺度輕量化主干網(wǎng)絡(luò)的特征提取方法，包括如下步驟：獲取圖片，并對(duì)圖片進(jìn)行預(yù)處理，經(jīng)過(guò)預(yù)處理后的一張圖片為一個(gè)訓(xùn)練樣本；構(gòu)建MSL_backbone模型，將訓(xùn)練樣本輸入MSL_backbone對(duì)其進(jìn)行訓(xùn)練，待最優(yōu)收斂后保存模型參數(shù)得最優(yōu)MSL_backbone；調(diào)用最優(yōu)MSL_backbone，輸入待測(cè)數(shù)據(jù)得到結(jié)果并通過(guò)提取網(wǎng)絡(luò)的最后一個(gè)特征圖輸出。本發(fā)明方法提升了對(duì)多尺度特征的提取能力，與原先方法模型相比有著0.35％的精度提升。

技術(shù)領(lǐng)域

本發(fā)明涉及道路場(chǎng)景目標(biāo)檢測(cè)技術(shù)領(lǐng)域，特別涉及一種基于多尺度輕量化主干特征提取網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法。

背景技術(shù)

道路場(chǎng)景目標(biāo)檢測(cè)是指在道路場(chǎng)景中，通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)，識(shí)別并提取出各種交通標(biāo)志、交通工具、行人等目標(biāo)。該技術(shù)被廣泛應(yīng)用于智能交通、自動(dòng)駕駛等領(lǐng)域。在進(jìn)行道路場(chǎng)景目標(biāo)檢測(cè)時(shí)，需要對(duì)圖像進(jìn)行背景分析，即從圖像中分離出背景和前景信息，以便更準(zhǔn)確地對(duì)前景目標(biāo)進(jìn)行識(shí)別。

傳統(tǒng)的目標(biāo)檢測(cè)方法應(yīng)用于道路場(chǎng)景中，因其存在魯棒性差，計(jì)算量大，實(shí)時(shí)性不高等問(wèn)題沒(méi)有被人們所使用。雖然目前流行的幾種目標(biāo)檢測(cè)方法應(yīng)用于道路場(chǎng)景中會(huì)得到比較不錯(cuò)的精度，但是對(duì)檢測(cè)結(jié)果仔細(xì)分析研究發(fā)現(xiàn)，小尺度目標(biāo)檢測(cè)效果差，導(dǎo)致整體的檢測(cè)精度沒(méi)有辦法繼續(xù)提高。

另外在道路場(chǎng)景中存在著目標(biāo)的尺度大小以及種類不一致的問(wèn)題，例如汽車的尺度比較大而行人，自行車的尺度比較小。而且除了目標(biāo)本身具有的尺度不同之外，當(dāng)目標(biāo)距離攝像頭的距離不一樣也會(huì)導(dǎo)致這個(gè)目標(biāo)的尺度發(fā)生變化。所以在同一道路場(chǎng)景下，同一類目標(biāo)距離攝像頭的遠(yuǎn)近不一樣，也會(huì)導(dǎo)致其尺度不一樣同時(shí)特征也有較大的差異。這種尺度不一致的問(wèn)題對(duì)目標(biāo)檢測(cè)方法的性能有著更高的挑戰(zhàn)。而且通過(guò)觀察攝像頭采集的圖片可以發(fā)現(xiàn)，在同一場(chǎng)景中，車輛類別的目標(biāo)出現(xiàn)的頻率很高，反觀行人和其他類別的目標(biāo)出現(xiàn)的頻率要低很多。這種道路場(chǎng)景中目標(biāo)類別數(shù)量不均衡的問(wèn)題，也會(huì)影響到目標(biāo)檢測(cè)方法的精度。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)存在的上述問(wèn)題，本發(fā)明的要解決的技術(shù)問(wèn)題是：提升方法模型對(duì)多尺度特征的提取能力。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用如下技術(shù)方案：一種基于多尺度輕量化主干網(wǎng)絡(luò)的特征提取方法，包括如下步驟：

S1：獲取圖片，并對(duì)圖片進(jìn)行預(yù)處理，經(jīng)過(guò)預(yù)處理后的一張圖片為一個(gè)訓(xùn)練樣本；

S2：構(gòu)建MSL_backbone模型，所述MSL_backbone采用YOLOv5的主干特征提取網(wǎng)絡(luò)作為基礎(chǔ)模型，將基于通道重組的輕量化逆瓶頸殘差模塊shuffle_res2net_s與YOLOv5主干特征提取網(wǎng)絡(luò)中CSP_BottleNeck里的殘差結(jié)構(gòu)進(jìn)行替換；

S3：將訓(xùn)練樣本輸入MSL_backbone模型對(duì)其進(jìn)行訓(xùn)練，待最優(yōu)收斂后保存模型參數(shù)得最優(yōu)MSL_backbone；

S4：調(diào)用最優(yōu)MSL_backbone，輸入待測(cè)數(shù)據(jù)得到結(jié)果并通過(guò)提取網(wǎng)絡(luò)的最后一個(gè)特征圖輸出。

作為優(yōu)選，S1中預(yù)處理是指：將圖片resize截取為32×32，然后再進(jìn)行隨機(jī)翻轉(zhuǎn)得到多張圖片，再對(duì)多張圖片進(jìn)行Tensor轉(zhuǎn)換，將灰度范圍從0-255變換到0-1，最后圖片進(jìn)行標(biāo)準(zhǔn)化(Normalize)操作。

作為優(yōu)選，所述S2中基于通道重組的輕量化逆瓶頸殘差模塊包括：

所述shuffle_res2net_s的輸入特征圖為X∈R^C×H×W，X表示輸入特征圖，C為輸入通道，H為特征圖高度，W為特征圖寬度；

經(jīng)過(guò)卷積核大小為1×1的卷積進(jìn)行通道上的升維改變，通道維度變成C′＝C×W/64×S，得到特征圖為X′∈R^C′×H×W，其中，X′表示經(jīng)過(guò)卷積操作后得出的特征圖,C′表示改變后的通道維度；