[发明专利]一种针对嵌入式应用的轻量化目标检测方法

权利要求书

1.一种针对嵌入式应用的轻量化目标检测方法，其特征在于：基于针对嵌入式应用的轻量化目标检测网络实现，该网络包括轻量化基础卷积神经网络和轻量化分支预测网络；

所述轻量化基础卷积神经网络包括卷积层、第一卷积单元、第二卷积单元及第三卷积单元；

所述第一卷积单元包括至少一个第一类卷积模块与至少一个第二类卷积模块；

所述第二卷积单元包括至少一个第二类卷积模块，或至少一个第二类卷积模块与至少一个第一类卷积模块；

所述第三卷积单元包括至少一个第二类卷积模块，或至少一个第二类卷积模块与至少一个第一类卷积模块；

所述第一类卷积模块输出通道数与输入通道数相同，由一个卷积核尺寸为t×t、步长为1的深度卷积层与一个卷积核尺寸为1×1、步长为1的卷积层及旁路组成；其中t为正整数；

所述第二类卷积模块输出通道数是输入通道数的2倍，由一个卷积核尺寸为l×l，步长为2的深度卷积层与一个卷积核尺寸为1×1，步长为1的卷积层组成；其中l为正整数；

所述卷积层的输入为待测图像，用于获取待测图像的特征；

卷积层输出的图像经过第一卷积单元卷积运算后输出a特征图像；

a特征图像输入至第二卷积单元卷积运算后输出b特征图像；

b特征图像输入至第三卷积单元卷积运算后输出c特征图像；

所述轻量化分支预测网络包括至少一个第四类卷积模块与一个卷积层c′；

所述第四类卷积模块输出通道数与输入通道数相同，由一个卷积核尺寸为t×t、步长为1的深度卷积层与一个卷积核尺寸为1×1、步长为1的卷积层组成；

其中第四类卷积模块Ⅰ(14)接收轻量化基础卷积神经网络输出的c特征图像；

c特征图像经第四类卷积模块Ⅰ(14)卷积运算后输出至卷积层c′，运算后输出第一组预测张量。

2.根据权利要求1所述的一种针对嵌入式应用的轻量化目标检测方法，其特征在于：所述轻量化分支预测网络还包括三个第四类卷积模块，分别为第四类卷积模块Ⅱ(15)、第四类卷积模块Ⅲ(16)、第四类卷积模块Ⅳ(17)、一个反卷积层b″与一个卷积层b′；

第四类卷积模块Ⅲ(16)接收轻量化基础卷积神经网络输出的b特征图像，对b特征图像进行卷积运算；

特征图像c经第四类卷积模块Ⅰ(14)卷积运算后还依次输入至反卷积层b′′与第四类卷积模块Ⅱ(15)进行卷积运算；

第四类卷积模块Ⅱ(15)与第四类卷积模块Ⅲ(16)的输出特征图相加后输出至第四类卷积模块Ⅳ(17)进行卷积运算；

第四类卷积模块Ⅳ(17)的输出特征图输入至卷积层b′，运算后输出第二组预测张量。

3.根据权利要求2所述的一种针对嵌入式应用的轻量化目标检测方法，其特征在于：

所述轻量化分支预测网络还包括三个第四类卷积模块，分别为第四类卷积模块Ⅴ(18)、第四类卷积模块Ⅵ(19)、第四类卷积模块Ⅶ(20)、一个反卷积层a″与一个卷积层a′；

第四类卷积模块Ⅵ(19)接收轻量化基础卷积神经网络输出的a特征图像；对a特征图像进行卷积运算；

第四类卷积模块Ⅳ(17)的输出特征图还依次输出至反卷积层a″与第四类卷积模块Ⅴ(18)进行卷积运算；

第四类卷积模块Ⅴ(18)与第四类卷积模块Ⅵ(19)的输出特征图相加后依次输入至第四类卷积模块Ⅶ(20)与卷积层a′，运算后输出第三组预测张量。

4.根据权利要求3所述的一种针对嵌入式应用的轻量化目标检测方法，其特征在于：

所述第一卷积单元还包括第三类卷积模块；

所述第三类卷积模块输出通道数是输入通道数的2倍，由一个卷积核尺寸为m×m、步长为1的深度卷积层与一个卷积核尺寸为1×1、步长为1的卷积层组成；其中m为正整数。

5.根据权利要求4所述的一种针对嵌入式应用的轻量化目标检测方法，其特征在于：第一类卷积模块、第二类卷积模块、第三类卷积模块及第四类卷积模块中在深度卷积层和卷积层后面加BN层和激活层；激活层使用的激活函数均为Relu函数。