[发明专利]基于自编码器与YOLO算法的高清图像小目标检测方法

权利要求书

1.一种基于自编码器和YOLO算法的高清图像小目标检测方法，其特征在于，包括如下：

(1)采集高清图像数据形成数据集,并对数据集进行标注，得到正确的标签数据，将数据集和标签数据以8:2的比例划分为训练集和测试集；

(2)将标注好的训练集进行数据扩充；

(3)对于每一幅高清图像数据，根据图像大小和标注信息，生成相应图像的目标Mask数据；

(4)搭建一个包括编码网络和解码网络的全卷积自编码器模型，该编码网络用于对高清图像进行特征提取和数据压缩，该解码网络用于对压缩后的特征图恢复到原始大小；

(5)将高清图像训练集数据送入全卷积自编码器模型中进行训练，得到训练好的全卷积自编码器模型：

(5a)将网络的偏移量初始化为0，并采用kaiming高斯初始化方法对网络的权重参数进行初始化，根据高清图像训练集大小设置自编码器的迭代次数T₁；

(5b)定义基于分区域的均方误差损失函数如下：

其中Mask-MSE-Loss(y,y_)为所要计算的损失函数；y为解码器输出图像；y_为输入原始高清图像；α为目标区域的损失惩罚权重，设置为0.9；β为背景区域惩罚权重，设置为0.1；W为自编码器的输入图像尺寸宽度；H为自编码器的输入图像尺寸宽度；Mask(i,j)为(3)中Mask数据第(i,j)位置的值；

(5c)将高清图像训练集数据输入到全卷积自编码网络中，进行前向传播，得到编码后的特征图，再通过解码器对特征图进行恢复；

(5d)使用(5b)定义的基于分区域的均方误差损失函数，计算输入图像与输出图像的损失值；

(5e)使用反向传播算法进行全卷积自编码器的权值和偏移量更新，完成对全卷积自编码器训练的一次迭代；

(5f)重复(5c)～(5e)，直到完成所有自编码器的迭代次数T₁，得到训练好的全卷积自编码器；

(6)将训练好的全卷积自编码器的编码网络与YOLO-V3检测网络进行拼接，并对拼接后的网络进行训练：

(6a)将训练好的全卷积自编码器的编码网络拼接到YOLO-V3检测网络之前，形成拼接之后的混合网络；

(6b)对拼接后的混合网络进行训练：

(6b1)读取训练好的全卷积自编码器的参数，用读取的参数值初始化编码网络，并设置该编码网络的参数为不可训练的状态；

(6b2)设置YOLO-V3网络的输入图像尺寸与全卷积自编码器网络的输入尺寸相同；

(6b3)从YOLO官网上下载ImageNet数据集上预训练的参数，用该参数对YOLO-V3网络的参数进行初始化，并根据(1)采集的数据集大小设置YOLO-V3网络的迭代次数T₂；

(6b4)将高清图像训练集数据送入到拼接后的混合网络中进行正向传播，得到输出检测结果；

(6b5)使用YOLO-V3算法中的损失函数，计算输出检测结果与(1)中标注的正确标签数据之间的损失值；

(6b6)根据损失值大小，使用反向传播算法进行混合网络的权值和偏移量更新，完成对混合网络训练的一次迭代；

(6b7)重复(6b4)～(6b6)，直到完成所有YOLO-V3的迭代次数T₂，得到训练好的混合网络；

(7)将(1)中的测试集数据输入到训练好的混合模型中，得到最终的检测结果。

2.如权利要求1所述的方法，其特征在于，步骤(2)中所述的将标注好的训练集进行数据扩充，是先对原始数据集中的每一幅高清图像分别做左右翻转、旋转、平移、加噪、亮度调整、对比度调整和饱和度调整的处理，再将经过处理后的图像数据加入到原始数据集中，得到扩充后的数据。