[发明专利]多尺度轻量级密集连目标检测网络的构建方法

权利要求书

1.多尺度轻量级密集连目标检测网络的构建方法，其特征在于，具体按以下步骤实施：

步骤1，数据预处理；

步骤2，构建多尺度轻量级目标检测神经网络；

步骤3，利用经步骤1处理的结果对步骤2构建的神经网络进行训练和测试。

2.根据权利要求1所述多尺度轻量级密集连目标检测网络的构建方法，其特征在于，所述步骤1中数据预处理具体按以下步骤实施：

步骤1.1，采用PASCAL VOC2012的90％图像作为训练+验证数据集，10％作为测试数据集，训练数+验证据集中90％训练数据集，10％作为训练时验证数据集，并对训练数据图像进行数据扩充；

步骤1.2，对数据集进行相应的马赛克数据增强；

步骤1.3，根据标签信息和数据集信息获取训练目标的真实框的坐标和类别信息。

3.根据权利要求1所述多尺度轻量级密集连目标检测网络的构建方法，其特征在于，所述步骤2中多尺度轻量级目标检测神经网络具体按以下步骤实施：

步骤2.1，构建多尺度轻量级特征提取模块MSM；

步骤2.2，构建轻量级密集连接模块FD-CDM；

步骤2.3，构建快速降采样主干网络；

步骤2.4，构建轻量级特征融合模块；

步骤2.5，构建分类预测模块。

4.根据权利要求3所述多尺度轻量级密集连目标检测网络的构建方法，其特征在于，所述步骤2.1中构建多尺度轻量级特征提取模块MSM具体按以下步骤实施：

步骤2.1.1，将输入的特征张量保存为三个相同的张量x，y，z，用作三个尺度的开端；

步骤2.1.2，对x尺度不进行任何操作，使其保有原始特征信息，作为残差边进行特征补充表示为

步骤2.1.3，用3x3的深度卷积、BatchNorm2d、ReLU6操作与1x1的逐点卷积、BatchNorm2d、ReLU6操作构成一个完整的深度可分离卷积，在y尺度上用两个深度可分离卷积模块获取细尺度的特征信息

步骤2.1.4，使用空洞率为5和3的深度可分离空洞卷积，构成空洞卷积组，在z尺度上运用空洞卷积组获取粗尺度的特征信息

步骤2.1.5，将进行纵向堆叠，然后利用通道注意力机制对堆叠信息进行筛选。

5.根据权利要求3所述多尺度轻量级密集连目标检测网络的构建方法，其特征在于，所述步骤2.2中构建特征重用的轻量级密集连接模块FD-CDM具体按以下步骤实施：

步骤2.2.1，构建由3x3组卷积组成的GC模块，该模块会将输入层的不同特征图进行分组，然后采用不同的卷积核生成中间特征；

步骤2.2.2，构建由1x1卷积组成的LGC模块，该模块利用1x1的卷积进行通道信息的学习，筛选出重要度更高的通道信息；

步骤2.2.3，构建特征重激活SFR模块，该模块的作用是对输入特征的不同通道添加索引层，通过索引层选择需要留下的特征层；

步骤2.2.4，先使用LGC模块个GC模块对输入特征进行特征提取和精炼，然后将特征保存为s和t两个张量，t特征张量进入SFR模块进行筛选，s张量继续进行传递，并将两个分支的结果进行拼接，实现对密集连接的筛选。

6.根据权利要求3所述多尺度轻量级密集连目标检测网络的构建方法，其特征在于，所述步骤2.3中构建快速降采样的轻量级主干网络具体按以下步骤实施：

步骤2.3.1，使用2个MSM模块进行浅层粗尺度特征信息提取；

步骤2.3.2，使用3个FD-CDM模块进行深层特征信息提取，获取足够精炼的数据服务于高水平的目标检测任务；

步骤2.3.3，使用2.3.1和2.3.2所提的模块组成主干网络，并使用快速降采样思想加强网络特征提取。