[发明专利]一种基于迁移学习的小样本军事车辆轻量化检测方法

权利要求书

1.一种基于迁移学习的小样本军事车辆轻量化检测方法，其特征在于，包括以下步骤：

(1)将标注好的民用车辆检测数据集划分为训练集和测试集，并对训练集和测试集进行预处理，其中民用车辆检测数据集的数据类型为彩色可见光图像；

(2)利用轻量化卷积模块和轻量化卷积瓶颈模块，构建基于单阶段目标检测网络架构的深度卷积神经网络，该深度卷积神经网络依次包括主干网络、特征融合网络和检测头三部分；主干网络实现对输入图像数据的快速特征提取，输出浅层语义特征；特征融合网络利用主干网络输出的浅层语义特征进行特征融合，输出深层语义特征；检测头通过特征融合网络输出的深层语义特征进行目标检测框的预测；以大量的即每类别目标不少于1000个样本的民用车辆数据对构建的深度卷积神经网络进行训练，使深度卷积神经网络学习民用车辆的相关特征，得到训练后的深度卷积神经网络，称之为基础模型，基础模型具有对民用车辆准确检测的能力；

(3)将标注好的军事车辆检测数据集划分为训练集和测试集，并对训练集和测试集进行预处理，其中军事车辆检测数据集的数据类型为彩色可见光图像，训练集为小样本数据集；小样本是指每类别目标不多于30个样本；

(4)利用小样本的军事车辆检测数据，利用小样本军事车辆训练数据集，通过迁移学习方法对步骤(2)训练得到的基础模型进行进一步训练，训练后得到深度卷积神经网络，称之为小样本检测模型，该小样本检测模型拥有对军事车辆准确检测的能力；

(5)将步骤(4)训练得到的小样本检测模型在嵌入式计算平台上进行部署，利用嵌入式端在线纠错更新技术，使小样本检测模型能够纠正检测错误并不断更新优化，得到一个针对不同军事车辆目标能够不断纠错与更新的小样本检测模型，此模型能够在嵌入式平台上实现对军事车辆的准确和快速检测。

2.根据权利要求1所述的基于迁移学习的小样本军事车辆轻量化检测方法，其特征在于：所述步骤(2)中的轻量化卷积模块如下：

轻量化卷积模块的参数有轻量化卷积模块输出特征图通道数C、卷积核尺寸K及步长S；轻量化卷积模块由两层卷积层组成，第一个卷积层的卷积核大小为K×K、卷积步长为S、输出特征图通道数为C/2、激活函数为SiLU函数；第二个卷积层的卷积核大小为5×5、卷积步长为1、输出特征图通道数为C/2、分组数为C/2，激活函数为SiLU函数；该轻量化卷积模块的输入数据分别经过第一和第二个卷积层计算后，所得结果与输入数据经过第一个卷积层计算后所得结果在通道维度上拼接，拼接结果为轻量化卷积模块的输出。

3.根据权利要求1所述的基于迁移学习的小样本军事车辆轻量化检测方法，其特征是，所述步骤(2)中，轻量化卷积瓶颈模块由主干部分与旁支部分组成，其参数有轻量化卷积瓶颈模块输出通道数C、瓶颈层数量N；所述主干部分先后由1个卷积层、N个瓶颈层和1个卷积层组成，第一个卷积层中卷积核尺寸为1×1、步长为1、输出特征图通道数为C/2，瓶颈层的输出特征图通道数为C/2，第二个卷积层中卷积核尺寸为1×1、步长为1、输出特征图通道数为C；旁支部分为1个卷积核尺寸为1×1、步长为1、输出特征图通道数为C/2的卷积层；输入数据分别输入到主干部分和旁支部分，旁支部分的输出与主干部分瓶颈层的计算结果在通道维度上进行拼接，拼接结果通过主干部分最后一个卷积层进行计算，计算结果为轻量化卷积瓶颈模块的输出。