[发明专利]一种基于轻量化卷积的无锚框目标检测方法

说明书

本发明涉及一种基于轻量化卷积的无锚框目标检测方法，属于计算机视觉目标检测领域。该方法包括：S1：构造轻量化的骨干网络，并输入图片到轻量化的骨干网络中，提取特征图；S2：根据得到的特征图进行左上角点和右下角点的池化操作；S3：池化后的左上角点、右下角点都分别进行十字星变形卷积与角点预测操作；S4：根据预测的角点和向心位移算法进行角点匹配，由预测边界框的得分输出最终结果。本发明采用的无锚框的设计思想，在训练过程中可以解决正负样本不平衡，超参数设计复杂，锚框的复杂计算等问题，同时轻量化的骨干网络可以达到有效压缩网络模型，降低模型参数量，减少计算资源消耗，提升运算速度的效果。

技术领域

本发明属于计算机视觉目标检测领域，涉及一种基于轻量化卷积的无锚框目标检测方法。

背景技术

随着深度学习的迅速发展，目标检测受到越来越多研究者的关注，用锚框来确定目标物体的位置是目标检测中常用的方法，近年来引入了无锚框的设计思想，基于无锚框的目标检测抛开大量先验候选框的思想，直接对目标物体进行分类和预测位置。相比于之前基于锚框的方法，有更多的优点：减少超参数的使用；减少大量的内存资源消耗；解决正负样本不平衡的问题等等。因此基于无锚框的目标检测在自动驾驶、移动娱乐、视频监控等领域具有重要的研究价值和广泛的应用前景。

基于无锚框的经典网络模型如CornerNet、CenterNet，其中CenterNet网络模型是利用物体定位边框的角点和中心点来实现目标的分类与回归，其效果不低于准确度较高的基于锚框的网络模型。尽管基于无锚框的网络模型有着较高的预测精度，但也避免不了存在着一些缺陷：用来定位物体位置的边界框角点大都位于物体之外，不能充分地表达目标内部的信息；对于多个相同的物体，容易造成误检与漏检；训练过程中产生大量的参数等等，这都与主干网络的选取有着一定的联系。

因此选取轻量化的骨干网络，可以较好地压缩网络模型，减少计算资源消耗，降低模型参数量，提升运算速度。在相同计算资源的情况下，轻量化的网络模型有着更高的检测效率，同时在自动驾驶、无人机等领域有着广泛的应用前景，这也是未来研究人员越来越关注的方向。

发明内容

有鉴于此，本发明的目的在于提供一种基于轻量化卷积的无锚框目标检测方法，该方法采用的无锚框的设计思想，在训练过程中可以解决正负样本不平衡，超参数设计复杂，锚框的复杂计算等问题，同时使用轻量化的骨干网络可以达到有效压缩网络模型，降低模型参数量，减少计算资源消耗，提升运算速度的效果。

为达到上述目的，本发明提供如下技术方案：

一种基于轻量化卷积的无锚框目标检测方法，包括以下步骤：

S1：构造轻量化的骨干网络，并输入图片到轻量化的骨干网络中，提取特征图；

S2：根据得到的特征图进行左上角点和右下角点的池化操作；

S3：池化后的左上角点、右下角点都分别进行十字星变形卷积与角点预测操作；

S4：根据预测的角点和向心位移算法进行角点匹配，由预测边界框的得分输出最终结果。

进一步，步骤S1中，构造轻量化的骨干网络包括以下步骤：

S11：构造基本卷积模块，包括：构造分离特征模块；所述分离特征模块采用通道分离，深度卷积，通道拼接和通道重排等操作，构造成残差结构，融入了步长为2的下采样卷积和步长为1基本卷积；进行通道分离后的左右两个分支，分别进行卷积，池化和正则化等一系列操作后，进行通道数拼接，使输入和输出通道数相同；

S12：构造骨干网络：由步长为2的下采样卷积和步长为1基本卷积交替出现，融入分离特征模块中，层层串联构成。骨干网络分为3个阶段，由基本卷积模块层层串联构成；阶段2包括4个卷积块，阶段3包括7个卷积块，输入维度为(511,511,3)的图片，进行卷积和最大池化操作后，输出维度是(256,256,24)，接着进行阶段2、3的操作。