[发明专利]基于改进YOLOX模型的小目标检测方法

权利要求书

1.基于改进YOLOX模型的小目标检测方法，其特征在于，所述方法包括：

获取待检测图像；

对所述待检测图像进行特征提取，得到多个初始特征；

将所述多个初始特征进行跨层特征融合，得到多个融合特征；

将所述多个融合特征进行预测处理，根据处理结果得到所述待检测图像的小目标检测结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行特征提取，得到多个初始特征，包括：

对所述待检测图像进行识别，得到所述待检测图像中的待检测目标尺寸；

若特征提取检测头的感受野大于所述待检测目标尺寸，对所述待检测图像进行特征提取，得到多个初始特征。

3.根据权利要求2所述的方法，其特征在于，所述对所述待检测图像进行特征提取，得到多个初始特征，包括：

将所述待检测图像依次输入改进YOLOX模型的Focus模块和与所述Focus模块串联的多个卷积模块进行特征提取，得到所述多个初始特征。

4.根据权利要求3所述的方法，其特征在于，包括：所述多个卷积模块中的每个卷积模块包括Dark模块和注意力机制模块，所述注意力机制模块后的嵌入位置配置有检测头。

5.根据权利要求1所述的方法，其特征在于，所述将所述多个初始特征进行特征融合，得到多个融合特征，包括：

将所述多个初始特征按照预先配置的跨层连接位置进行特征融合，得到所述多个融合特征；

其中，所述跨层连接位置根据所述多个卷积模块和所述改进YOLOX模型的多个特征融合模块的相对位置关系配置得到。

6.根据权利要求3所述的方法，其特征在于，所述基于所述多个融合特征进行预测处理，根据处理结果得到所述待检测图像的小目标检测结果，包括：

对所述多个融合特征进行预测处理，根据处理结果得到所述小目标检测结果。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：

获取初始图像数据集，所述初始图像数据集包括训练集和验证集；

将所述训练集输入至待训练的改进YOLOX模型进行训练，通过所述验证集对改进YOLOX模型进行验证；

更新所述改进YOLOX模型的模型参数直至模型收敛，得到训练后的改进YOLOX模型。

8.根据权利要求7所述的方法，其特征在于，所述将所述训练集输入至待训练的改进YOLOX模型进行训练之前，所述方法还包括：

获取原始改进YOLOX模型；

将所述原始改进YOLOX模型的网络偏移量初始化为0，通过Kaiming高斯初始化方法对所述原始改进YOLOX模型的网络权重参数进行初始化。所述Kaiming高斯初始化方法服从以下分布；

其中，W_l为第l层权重，N为高斯分布，a为ReLU激活函数，n_l为第l层的数据维度。

9.根据权利要求7所述的方法，其特征在于，所述更新所述改进YOLOX模型的模型参数直至模型收敛，包括：

针对训练中的每一次迭代，根据迭代前的梯度和损失函数得到迭代后的梯度，并根据所述迭代后的梯度执行下一次迭代，直至训练完全部测试集。所述梯度包括改进YOLOX模型的权重和偏移量；

针对训练中每一轮训练完全部训练集，将前一次的模型参数进行指数滑动平均，以得到所述改进YOLOX模型新的模型参数，根据所述新的模型参数更新所述改进YOLOX模型，直至模型收敛或达到最大训练轮次。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

通过如下算法获取训练中的改进YOLOX模型的权重：

其中，W_t和W_t+1为第t次迭代和第t+1次迭代的权重，m_W为反向传播算法的学习率，为损失函数对权重W的偏导数；

以及，通过如下算法获取训练中的改进YOLOX模型的偏移量：

其中，b_t和b_t+1为第t次迭代和第t+1次迭代的偏移量，m_b为反向传播算法的学习率，为损失函数对偏移量b的偏导数；

以及，每轮训练完后通过下列算法对该轮训练后的改进YOLOX模型的模型参数进行指数滑动平均(EMA)：

其中，W_EMA,k、b_EMA,k分别表示对第k轮训练后的权重和偏移量进行指数滑动平均更新后的参数值，a为衰减因子，为第k-1轮训练后的权重和偏移量。