[发明专利]多尺度轻量级密集连目标检测网络的构建方法

说明书

本发明公开了多尺度轻量级密集连目标检测网络的构建方法，数据预处理；构建多尺度轻量级目标检测神经网络；利用处理的结果对构建的神经网络进行训练和测试；本发明利用PASCAL VOC 2012数据集验证了网络的可靠性，最终网络的mAP几乎与YoloV4只下降了1.5％，相较于YoloV3提升了5％，采用本发明训练出的网络模型参数量压缩到11.61M，缩减为YoloV4的1/6；总计算量Total Flops减少到1.13G，缩小为原来的1/26；总内存占用减少到135.46M，缩减为YoloV4的1/5，实时速度提升了32倍，提升了目标检测方法在计算资源有限的嵌入式设备和移动设备的部署增加了可能性。

技术领域

本发明属于计算机视觉及人工智能技术领域，涉及多尺度轻量级密集连目标检测网络的构建方法。

背景技术

目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置，是计算机视觉领域的核心问题之一。近年来，卷积神经网络在图像识别、目标检测、语义分割等方面都取得了十分优异的性能，然而传统的CNN通常需要大量的参数和浮点运算来维持性能，虽然他们都有着极高的精确度，但是对于计算资源的要求也相对较高。这样的卷积神经网络并不适合部署在计算资源有限的嵌入式设备或移动设备上，极大地限制了目标检测方法在复杂环境的部署和应用。因此，对目标检测网络进行轻量化是增加目标检测方法对于各类部署环境泛化能力的必要步骤。

本发明针对传统深度学习方法参数量大、推理速度慢、占用存储空间高、难以在计算资源有限的嵌入式平台上进行部署等问题，设计了适合在嵌入式平台进行部署的多尺度轻量级目标检测网络，围绕目标检测网络轻量化与去冗余展开研究，包括数据预处理、轻量化特征提取结构、轻量化特征融合模结构、目标分类。通过四项关键技术的实现轻量化目标检测网络，弥补现有目标检测方法网络模型计算复杂度高、无法在计算资源有限的嵌入式平台和移动平台部署的问题，对实现视频监控、医学图像处理、人脸识别、遥感影像、目标实时跟踪等技术的实现具有重要意义。

发明内容

本发明的目的是提供多尺度轻量级密集连目标检测网络的构建方法，构建的目标检测网络解决现有目标检测与分类方法网络模型参数量庞大、计算复杂度高、难以在计算资源有限的嵌入式设备和移动设备上部署的问题。

本发明所采用的技术方案是，多尺度轻量级密集连目标检测网络的构建方法，将目标检测网络的主干部分划分为两个阶段，浅层阶段利用多尺度结构同时获取粗尺度和细尺度的特征信息，深层阶段通过轻量级密集连接模块实现特征重用与去冗余，在特征融合阶段通过深度可分离卷积与多尺度输入实现网络轻量化，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。

本发明的特点还在于：

其中步骤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；

其中步骤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；