[发明专利]一种超轻量目标检测网络和方法

说明书

本发明公开了一种超轻量目标检测网络和方法，所述网络包括依次连接的主干模块、特征提取融合模块和检测模块；所述特征提取融合模块的数量至少为1个；特征提取融合模块包括若干个沙漏通道加权分支和一个Bi‑FPN特征融合块；沙漏通道加权分支间并行连接至Bi‑FPN特征融合块；沙漏通道加权分支对高维特征图提取出不同分辨率的低维特征，Bi‑FPN特征融合块将不同分辨率的低维特征进行多尺度特征融合；有效提升了感受野，强化了跨分辨率的信息交流和融合，提高了检测结果的准确度；同时还减少了参数量和计算量，提高了检测效率，使检测模型兼具计算轻量化和精确度的优势。

技术领域

本发明涉及计算机视觉的技术领域，更具体地，涉及一种超轻量目标检测网络和方法。

背景技术

目标检测是计算机视觉中一个重要的任务，近年来受到广泛的关注，其应用范围非常广泛，像监控安防、工业瑕疵检测、医学图像检测、自动驾驶、机器人视觉等。随着目标检测技术的高速发展，现有的目标检测网络(如Faster RCNN、YOLOv4等)已经在多种数据集取得了高精度。如今随着物联网技术的不断发展，5G与边缘计算催生了新一代应用程序，越来越多的应用需要将AI应用部署到移动端设备。然而，目标检测网络通常都具有非常大的参数量和计算量，由于设备算力和内存的限制，目标检测网络在移动端的运行效率并不高，移动端实时目标检测仍是一个技术性挑战。近年来也有不少设计用于移动端的轻量网络，如MobileNet、ShuffleNet等，但大都仅关注于模型轻量化方面，而牺牲了较大的模型精度，无法满足工业检测对高精度的需求。

2020年6月9日公开的中国专利CN111259758A提供了一种针对密集区域的两阶段遥感图像目标检测方法，其步骤为：1、对于输入图像进行数据增强操作，增加训练样本集；2、构建基于多尺度特征提取模块；3、在不同尺度的特征图上进行目标检测，找出目标密集的区域；4、针对目标密集的区域进行二次目标检测；5、对检测出的目标进行分类和位置回归，输出目标对应的分类标签和位置坐标，完成对图像的目标识别和定位。该发明虽然提高了对目标密集区域目标识别的准确率，但是参数量和计算量巨大，检测时间长，无法应用于移动端设备。

发明内容

本发明为克服上述现有目标检测方法无法兼具计算轻量化和高精度的缺陷，提供一种超轻量目标检测网络和方法，所述网络在相似精度要求下，参数量和计算量极低，在相似计算量和参数量的条件下，计算精度更高，使目标检测在轻量化和高精度达到更优秀的平衡。

为解决上述技术问题，本发明的技术方案如下：

本发明提供一种超轻量目标检测网络，包括依次连接的主干模块、特征提取融合模块和检测模块；

所述特征提取融合模块的数量至少为1个；特征提取融合模块包括若干个沙漏通道加权分支和一个Bi-FPN特征融合块；沙漏通道加权分支间并行连接至Bi-FPN特征融合块；

待检测目标图像输入主干模块，主干模块对待检测目标图像进行切片操作后，下采样提取出高维特征图，特征提取融合模块中的若干个沙漏通道加权分支对高维特征图提取出不同分辨率的低维特征，Bi-FPN特征融合块将不同分辨率的低维特征进行多尺度特征融合，获得融合特征图；检测模块根据设置的检测算法对融合特征图进行检测，获得待检测目标图像的检测结果。

优选地，所述主干模块包括依次连接的Focus块和3×3可分离卷积；

待检测目标图像输入Focus块，Focus块对待检测目标图像进行切片操作，3×3可分离卷积对切片后的待检测目标图像进行下采样，提取出高维特征图。