[发明专利]一种基于多尺度轻量化主干网络的特征提取方法

权利要求书

1.一种基于多尺度轻量化主干网络的特征提取方法，其特征在于，包括如下步骤：

S1：获取图片，并对图片进行预处理，经过预处理后的一张图片为一个训练样本；

S2：构建MSL_backbone模型，所述MSL_backbone采用YOLOv5的主干特征提取网络作为基础模型，将基于通道重组的轻量化逆瓶颈残差模块shuffle_res2net_s与YOLOv5主干特征提取网络中CSP_BottleNeck里的残差结构进行替换；

S3：将训练样本输入MSL_backbone模型对其进行训练，待最优收敛后保存模型参数得最优MSL_backbone；

S4：调用最优MSL_backbone，输入待测数据得到结果并通过提取网络的最后一个特征图输出。

2.如权利要求1所述的基于多尺度轻量化主干网络的特征提取方法，其特征在于：S1中预处理是指：将图片resize截取为32×32，然后再进行随机翻转得到多张图片，再对多张图片进行Tensor转换，将灰度范围从0-255变换到0-1，最后图片进行标准化(Normalize)操作。

3.如权利要求2所述的基于多尺度轻量化主干网络的特征提取方法，其特征在于：所述S2中基于通道重组的轻量化逆瓶颈残差模块包括：

所述shuffle_res2net_s的输入特征图为X∈R^C×H×W，X表示输入特征图，C为输入通道，H为特征图高度，W为特征图宽度；

经过卷积核大小为1×1的卷积进行通道上的升维改变，通道维度变成C′＝C×W/64×S，得到特征图为X′∈R^C′×H×W，其中，X′表示经过卷积操作后得出的特征图,C′表示改变后的通道维度；

对X′在通道层面C′上进行分割，分割成通道大小相等的n个特征子图，用X_i表示，其中i∈(1,2,3...n)，X_i的空间大小与X′的大小一致，通道数C_i是X′的1/n；

将最后一个分支不经过3×3分组卷积核过滤，其余3个分支都经过3×3分组卷积的过滤，第一个分支以后的每个分支的输入都包含前一个分支的输出；

在包含分组卷积的分支中，在输入特征子图经过分组卷积之后，对提取出的特征子图在通道维度进行重组；

将4个分支的输出在通道层面上进行拼接，采用卷积核大小为1×1的卷积，进行特征融合并降维，并采用跳跃连接与输入进行元素级相加；

其中GCONV₃(.)表示卷积核大小为3×3的分组卷积操作；shuffle表示通道重组操作；Conv_1×1表示卷积核大小为1×1的卷积操作；X_i表示每个分支的输入；y_i表示每个分支的输出；Y表示模块最终的输出。

4.如权利要求3所述的所述的基于多尺度轻量化主干网络的特征提取方法，其特征在于：所述通道重组操作具体包括：

将提取出的特征子图在通道维度C_i上分成大小相等的g个组；

将g个组进行形状改变重塑成g行h列的矩阵，其中h＝C_i/g；

在将得到的矩阵先进行转置(Transpose)操作，再进行Fallten操作平铺成一维。