[发明专利]一种基于深度压缩神经网络的无人艇水面目标识别算法

摘要

本发明公布了一种基于深度压缩神经网络的无人艇水面目标识别算法，使用本发明能够实时、鲁棒地检测多类水上特定目标。本发明针对无人艇在复杂水域环境下高价值目标识别需求，改进一种深度压缩神经网络算法并实时实现。采用基于VGG的神经网络进行特征提取，改进SSD目标检测算法候选框样本匹配策略、调整损失函数，利用聚类算法优化识别机制以提高算法的识别精度，并融合多特征图的检测结果，实现快速多尺度目标鲁棒识别。最后在不影响性能的前提下使用深度压缩方法将网络压缩50％，大幅降低了模型存储，并在嵌入式GPU上将算法实现并验证。实验结果表明，该算法能够在复杂环境下实时多尺度识别多类水上特定目标，对天气、光照的变化均有较强的鲁棒性，单帧视频的识别时间达到0.1s。

主权项

1.一种基于深度压缩神经网络的无人艇水面目标识别算法，首先由特征提取网络对输入的图像矩阵化并逐层提取多尺度的特征，再由SSD检测网络进行位置预测与目标检测，并采用非极大值抑制方法删除冗余信息并输出最终的检测结果，其特征在于：/n一、特征提取网络基于VGG网络进行构建，在网络末端使用2个卷积层替换了原网络的2个全连接层，并在其后增加8层附加网络进一步提高特征提取能力，SSD检测网络从特征提取网络抽取conv4_3，cony7，conv8_2，conv9_2，conv10_2和池化层pool11共6层尺度递减的特征响应图作为输入进行多尺度的检测；/n二、默认框的生成，SSD检测网络在所提取的6个特征图上生成大小和生成位置与输入图像无关的一系列默认框，同一个特征图上默认框的面积是相等的，在m个特征图上做预测时，则第k个特征图上面积s_k计算式为：/n /n式中k∈[1，m]，其中S_max和S_min代表默认框在对应特征图中所占的最小和最大比例，其中m＝6，最小的面积为是0.2，最大面积是0.95；/n三、正负样本选区与匹配策略的改进，描述重叠程度的指标为交并比为IOU，若存在A框与B框，交并比计算方式为：/n /n在面向无人艇目标识别的SSD算法中，取阈值为0.6；/n四、损失函数的改进，SSD中损失函数包含两个部分，一是计算目标类别的损失，二是计算目标位置的损失，通过归一化和加权，得到总的损失函数，损失函数为：/n /n其中，xkij＝1表示候选框i与类别p的真实框j匹配成功，代表匹配失败，所以x的值只有0，1两种情况，N是与真实值可以匹配的候选框的个数。/n