[發(fā)明專利]一種基于改進(jìn)RetinaNet的快速目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310904296.9
• 申請(qǐng)日: 2023-07-24
• 公開（公告）號(hào): CN116645523A
• 公開（公告）日: 2023-08-25
• 發(fā)明（設(shè)計(jì)）人: 李忠濤;劉圣勇;劉武軍;劉逸麟;張玉璘
• 申請(qǐng)（專利權(quán)）人: 濟(jì)南大學(xué);江西藍(lán)瑞存儲(chǔ)科技有限公司
• 主分類號(hào): G06V10/44
• 分類號(hào): G06V10/44;G06V10/82;G06N3/0464;G06N3/08;G06V10/774
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請(qǐng)實(shí)施例提供了一種基于改進(jìn)RetinaNet的快速目標(biāo)檢測(cè)方法，涉及計(jì)算機(jī)視覺領(lǐng)域。用于在保證檢測(cè)準(zhǔn)確率不大幅度下降的同時(shí)，大幅提高RetinaNet檢測(cè)速度，提高計(jì)算效率。所述方法包括：針對(duì)大、中、小三種尺度目標(biāo)分別訓(xùn)練三種目標(biāo)位置檢測(cè)頭，在低分辨率特征圖檢測(cè)目標(biāo)位置，將位置還原到高分辨率特征圖，并在三種不同的分辨率特征圖上檢測(cè)三種尺度的目標(biāo)，從而避免在高分辨率特征圖檢測(cè)無關(guān)背景區(qū)域，節(jié)約檢測(cè)目標(biāo)的計(jì)算量，提高計(jì)算效率，同時(shí)高分辨率特征圖檢測(cè)到的目標(biāo)位置和相鄰低分辨率特征圖目標(biāo)位置基本一致，這樣操作得到的檢測(cè)準(zhǔn)確率和直接在高分辨率特征圖檢測(cè)得到的準(zhǔn)確率差別較小。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，特別涉及一種基于改進(jìn)RetinaNet的快速目標(biāo)檢測(cè)方法。

背景技術(shù)

隨著目標(biāo)檢測(cè)任務(wù)中小目標(biāo)的重要性日益凸顯，F(xiàn)PN（Feature?Pyramid?Network）成為一種常用的技術(shù)，用于提升小目標(biāo)的檢測(cè)性能。然而，F(xiàn)PN的淺層特征圖通常具有最大的尺度，這導(dǎo)致在進(jìn)行特征提取和后續(xù)計(jì)算時(shí)，會(huì)產(chǎn)生較高的計(jì)算量。這樣的計(jì)算負(fù)擔(dān)可能限制了在實(shí)際應(yīng)用中將FPN擴(kuò)展到更大的圖像尺寸或更深的網(wǎng)絡(luò)結(jié)構(gòu)。為了減小計(jì)算量，同時(shí)又不損害FPN的性能，研究人員提出了一些方法和技術(shù)。一種常見的方法是通過對(duì)淺層特征圖進(jìn)行下采樣，降低其分辨率，從而減小計(jì)算量。這可以通過使用更大的步長(zhǎng)或者池化操作實(shí)現(xiàn)。通過減小淺層特征圖的分辨率，可以在一定程度上減少每個(gè)像素點(diǎn)上的計(jì)算量，尤其是針對(duì)小目標(biāo)區(qū)域，因?yàn)樾∧繕?biāo)通常不需要高分辨率的特征。另一種方法是通過引入注意力機(jī)制，將計(jì)算資源更集中地分配給感興趣的區(qū)域。例如，可以使用空間注意力機(jī)制或通道注意力機(jī)制，根據(jù)目標(biāo)的重要性或區(qū)域的顯著性，調(diào)整不同層次的特征圖的權(quán)重。這樣可以使網(wǎng)絡(luò)更關(guān)注對(duì)小目標(biāo)檢測(cè)有貢獻(xiàn)的特征圖，從而減少不必要的計(jì)算量。此外，還有一些進(jìn)一步的優(yōu)化策略，如網(wǎng)絡(luò)剪枝、參數(shù)量化、硬件加速等，可以進(jìn)一步降低計(jì)算量，提高FPN的計(jì)算效率。

發(fā)明內(nèi)容

本發(fā)明提供一種基于改進(jìn)RetinaNet的快速目標(biāo)檢測(cè)方法，旨在改進(jìn)算法的計(jì)算效率，并控制檢測(cè)平均精度AP不會(huì)大幅下降。

為解決上述技術(shù)問題，本發(fā)明對(duì)于目標(biāo)檢測(cè)網(wǎng)絡(luò)模型RetinaNet作出了針對(duì)性改進(jìn)，包括以下步驟：

S1、從數(shù)據(jù)集獲得待檢測(cè)圖像，輸入到RetinaNet骨干網(wǎng)絡(luò)，并獲得輸出P3、P4、P5、P6、P7特征圖；

S2、在原有兩個(gè)用于分類和回歸的檢測(cè)頭外，訓(xùn)練額外目標(biāo)位置查詢檢測(cè)頭，設(shè)置大目標(biāo)位置檢測(cè)頭，檢測(cè)P7和P6特征圖，設(shè)置中目標(biāo)位置檢測(cè)頭，檢測(cè)P6和P5特征圖，設(shè)置小目標(biāo)位置檢測(cè)頭，檢測(cè)P5和P4特征圖；

S3、大目標(biāo)位置檢測(cè)頭訓(xùn)練為只檢測(cè)目標(biāo)尺寸大于64的目標(biāo)，中目標(biāo)位置檢測(cè)頭訓(xùn)練為只檢測(cè)目標(biāo)尺寸在32到64的目標(biāo)，小目標(biāo)位置檢測(cè)頭訓(xùn)練為只檢測(cè)目標(biāo)尺寸在32以下的目標(biāo)；檢測(cè)頭輸出當(dāng)前檢測(cè)特征圖每個(gè)位置存在的概率，對(duì)位置進(jìn)行閾值篩選，可獲得存在目標(biāo)的位置；

S4、使用大目標(biāo)位置檢測(cè)頭檢測(cè)P7特征圖，獲得存在大目標(biāo)的位置，然后將這些位置還原到P6特征圖，使用大目標(biāo)位置檢測(cè)頭檢測(cè)P6特征圖，獲得存在大目標(biāo)的位置，并和P7傳來的位置合并，然后將合并位置還原到P5特征圖，并將還原的位置認(rèn)為是P5特征圖存在大目標(biāo)的位置；

S5、使用中目標(biāo)位置檢測(cè)頭檢測(cè)P6特征圖，獲得存在中目標(biāo)的位置，然后將這些位置還原到P5特征圖，使用中目標(biāo)位置檢測(cè)頭檢測(cè)P5特征圖，獲得存在中目標(biāo)的位置，并和P6傳來的位置合并，然后將合并位置還原到P4特征圖，并將還原的位置認(rèn)為是P4特征圖存在中目標(biāo)的位置；

S6、使用小目標(biāo)位置檢測(cè)頭檢測(cè)P5特征圖，獲得存在小目標(biāo)的位置，然后將這些位置還原到P4特征圖，使用小目標(biāo)位置檢測(cè)頭檢測(cè)P4特征圖，獲得存在小目標(biāo)的位置，并和P5傳來的位置合并，然后將合并位置還原到P3特征圖，并將還原的位置認(rèn)為是P3特征圖存在小目標(biāo)的位置；

S7、使用原有的分類和回歸檢測(cè)頭檢測(cè)P7和P6特征圖的全部位置，使用分類和回歸檢測(cè)頭檢測(cè)P5、P4、P3存在目標(biāo)的位置;

S8、基于分類和回歸檢測(cè)結(jié)果進(jìn)行目標(biāo)檢測(cè)。