[发明专利]一种改进SSD的轻量化小目标检测方法

摘要

本发明为提高SSD目标检测算法的小目标检测能力，提出在SSD算法中引入逆卷积结构，采用逆卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合，增加网络中低层的特征提取能力，提高SSD目标检测算法的平均精准度。同时针对SSD目标检测算法存在模型过大，运行内存占用量过高，无法在小显存容量GPU设备或嵌入式ARM设备上运行的问题，本发明以DenseNet为基础，结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元。将SSD网络结构特征提取部分替换为轻量化特征提取最小单元的组合后，可在小显存容量GPU设备与嵌入式ARM设备上运行。经本发明改进后的网络结构在平均精准度上得到明显提升，模型参数数量得到有效降低。

主权项

1.一种改进SSD的轻量化小目标检测方法，其特征在于：该方法在SSD中引入逆卷积结构，在SSD特征提取部分使用轻量化特征提取最小单元，该方法的具体步骤为：步骤一：在SSD中引入逆卷积结构，具体步骤如下：(1)SSD以回归的方式得到目标的类别和位置；选取网络结构中六种不同分辨率的特征图，对这六种特征图取不同尺寸的候选框；六种特征图通过回归得出目标的类别置信度和候选框与真实值之间的偏差；在卷积神经网络中低卷积层输出高分辨率特征图，具有小局部感知野，适合小目标检测；将SSD中高分辨率特征图添加入检测层以提升SSD小目标检测能力；(2)将SSD中低分辨率高语义信息特征图做逆卷积，将经逆卷积得到的特征图与原特征图进行特征融合，特征融合方式为对特征图拼接后做卷积运算；逆卷积运算时将特征图展为一维向量，卷积核展为稀疏矩阵，将逆卷积运算转换为矩阵乘法；逆卷积计算如公式(1)所示，其中和表示特征图展开得到的一维向量，C表示卷积核展成的稀疏矩阵，T表示转置运算；步骤二：在SSD特征提取部分使用轻量化特征提取最小单元，具体步骤如下：①深度可分离卷积，逐点分组卷积与通道重排：使用深度可分离卷积与逐点分组卷积组合的方式代替特征提取模型中的传统卷积；深度可分离卷积计算如公式(2)所示,其中G代表输出特征图，K代表卷积核，F代表输入特征图，i,j为特征图像素位置，k,l表示输出特征图分辨率，m表示通道数；G_k,l,m＝∑_i,jK_i,j,m·F_{k+i‑1,l+j‑1,m}        (2)在使用深度可分离卷积后利用逐点分组卷积，对各个通道特征图进行特征融合，输出任意数量特征图；通过控制逐点分组卷积的分组数可进一步降低模型参数数量；深度可分离卷积与逐点分组卷积组合的结构可以达到轻量化的目的，较传统卷积所降低的参数量比例可以定义为公式(3),其中A为深度可分离卷积的卷积核尺寸，N为逐点分组卷积的卷积核数量，M为输入特征图数量，G为逐点分组卷积的分组数；由公式(3)可得出结论，输出特征图数量越多，逐点分组卷积的分组数目越多，较传统卷积参数数量压缩率越大；在进行深度可分离卷积计算前先进行通道重排，将不同组特征图进行交叉重排后再进行深度可分离卷积与逐点分组卷积；②轻量化特征提取最小单元：以Densenet网络结构为基础设计特征提取的最小单元，在特征提取最小单元中使用深度可分离卷积，逐点分组卷积与通道重排的组合代替Densenet网络结构中的传统卷积层；在特征提取的最小单元中首先使用逐点分组卷积对输入特征图进行降维，然后利用通道重排对逐点分组卷积不同分组内的特征图进行重组，最后利用深度可分离卷积与逐点分组卷积的组合完成特征提取，与该轻量化特征提取最小单元输入特征图进行特征图拼接，得到该轻量化特征提取最小单元的输出特征图。