[发明专利]一种基于快速分组残差模块的单特征无锚框目标检测方法

说明书

本发明适用于计算机视觉深度学习技术领域，涉及一种基于快速分组残差模块的单特征无锚框目标检测方法，包括：S10、图像增强；S20、构建目标检测网络；S30、预测得到目标类别概率向量、目标位置距离向量和目标关键度的概率向量；S40、计算分类分支误差、位置分支误差和关键度分支误差，并更新目标检测网络的参数，直至迭代次数达到预设次数；S50、将待检测图像输入到迭代次数达到预设次数时所得到的模型中，得到图像的目标类别概率向量、目标位置距离向量和目标关键度的概率向量，利用关键度分支对预测的类别得分进行调整，并得到最后的目标分类置信度和目标位置。本发明流程简单、检测精度高，降低了模型的参数量，提高了模型的检测速度。

技术领域

本发明属于计算机视觉深度学习技术领域，尤其涉及一种基于快速分组残差模块的单特征无锚框目标检测方法。

背景技术

如今，人工智能技术正在迅速地改变着我们的世界。作为智能世界的双眸，计算机视觉是人工智能技术的一大分支，它通过采集数字图像、视频或其他视觉输入信号并用深度学习模型训练，使得计算机可以准确地进行识别和分类，然后对其“看到”的内容做出反应。目标检测，其任务是在图像中定位出目标边框的位置并识别该目标所属的类别，目标检测广泛应用于科学研究和实际生产生活等下游任务中。

以FCOS和FoveaBox为代表的密集点预测方法为了提高检测效果，一方面使用重新赋权方法来提高检测质量，另一方面使用FPN分而治之的解决方案即人工指定不同尺度让目标落入相应特征图来帮助检测器分离重叠的目标，训练时将目标指定到某一层上学习，这本质上是“锚框”的另一种形式，每一层的每个检测点都有一个隐形的固定大小的方形锚框。由于每一个特征层都需要有一个对应的检测头，大量的参数造成检测速度慢。公开号为CN112818964A的专利提供了基于FoveaBox无锚神经网络的无人机检测方法，首先设定FoveaBox神经网络模型的初始参数，将无人机数据库中的训练集图像输入设定的FoveaBox神经网络模型进行训练，得到基于深度学习的无人机检测模型；将待检测的无人机图像输入到步骤一训练好的无人机检测模型，得到多层预测目标可能性的特征图；接着通过位置子网络对主干网的输出特征图进行处理，并结合检测头部子网络对主干网的输出特征图进行逐像素的分类，直接检测获取目标类型及位置信息。此专利也是采用现有技术中常用的foveaBox无锚神经网络，虽然保证了适用范围与通用性，但是在检测速度上仍然存在弊端。

因此，如何提供一种在保证目标检测精度的同时，检测速度还快的目标检测方法是本技术领域人员亟待解决的问题。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于快速分组残差模块的单特征无锚框目标检测方法，以解决现有技术中目标检测方法检测速度慢的问题；另外本发明还提供了一种基于快速分组残差模块的单特征无锚框目标检测介质及终端。

为了解决上述技术问题，本发明采用了如下的技术方案：

第一方面，本发明提供了一种基于快速分组残差模块的单特征无锚框目标检测方法，包括以下步骤：

S10、对训练样本图像进行图像增强；

S20、构建基于快速分组残差模块的单特征无锚框目标检测网络，包括经过裁剪的RepVGG网络、含有快速分组残差模块的U型特征融合网络及检测头，所述检测头包括分类分支网络、位置分支网络和关键度分支网络；

S30、将所述步骤S10增强后的训练样本输入所述步骤S20的目标检测网络中，预测得到目标类别概率向量、目标位置距离向量和目标关键度的概率向量；

S40、采用正负样本优化策略标记正负样本，根据所述步骤S30中预测得到的向量与真实的向量分别计算分类分支误差、位置分支误差和关键度分支误差，并基于所述分类分支误差、位置分支误差和关键度分支误差更新所述目标检测网络的参数，直至迭代次数达到预设次数；