[发明专利]一种轻量化伪装目标检测方法和系统

说明书

本发明公开一种轻量化伪装目标检测方法和系统，涉及目标检测技术领域。本发明使用通用目标检测中特征提取性能好并且计算量小的特征提取网络NewCSP‑DarkNet53作为整个模型的骨干结构。本发明提出残差感受野模块(Residual Receptive Field Block,RRFB)利用残差连接修正不同感受野下的细节信息作为整个模型的Neck部分。该部分主要是通过扩大模型的感受野增强模型的可分辨性和鲁棒性。作为本发明的Head部分，使用了简单但有效的上采样操作和特征融合操作得到最后的识别特征图。

技术领域

本发明属于目标检测技术领域，尤其涉及一种轻量化伪装目标检测方法和系统。

背景技术

在深度学习高速发展的背景之下，计算机视觉也随之蓬勃发展。通用目标检测和显著性目标检测在这十几年里飞速发展，产生了各式各样的计算模型。但是对于一些特殊的应用场景，比如医学图像中息肉目标的检测、濒危的野生动植物搜救、战场上迷彩伪装的识别等，由于被识别图像中前景和背景的颜色和纹理等特征信息归于相似导致现有的通用检测网络和显著性检测网络在这种目标上很难取得良好的结果。这种因为前景的特征信息和背景信息非常相似导致检测难度增加的目标叫做伪装目标。近几年来，由于伪装目标检测算法在现实生活中巨大的应用价值，该研究方向引起了学界的注意，产生了一些专门用于伪装目标的检测算法。但是大多数的伪装目标检测算法都是通过大量的卷积层堆叠以及使用多层卷积输出进行聚合得到最终的输出结果。这种方案固然提升了模型在伪装目标上的支持程度，但是这种网络过于繁琐，模型的计算量巨大，并不适合一些追求实时性和轻便要求的场景。比如在瞬息万变的战场，或者是拯救濒危野生动物的时候，要求模型足够轻便、快捷并且保持一定的准确性，但是迄今为止大多数模型还是在追求模型的性能而忽视了模型的实用性。

目标检测技术的发展主要分为两个阶段。早期的目标检测算法主要采用各种手工制作的特征，比如颜色、边缘、纹理等，由于这些特征很简单，应用在视觉检测模型中，它们的表达能力有限。近些年来更多的学者借助深度神经网络构造伪装目标检测模型，并取得了巨大的成功。近年来，伪装目标检测模型SINet将伪装目标检测任务分为搜索模块和识别模块，前者负责搜索伪装的对象，后者负责精确的检测对象。D²C-Net将整个检测模型分为双分支特征提取模块和逐步细化交叉融合模块。其中，双分支特征提取模块就是采用密集连接的方式将多层次的特征聚合在一起。逐步细化交叉融合就是将提取出来的不同分辨率的特征通过不同的组合方式拼接在一起，帮助模型获得更优的结果。D²C-Net堆叠大量卷积层，并通过不同的连接方式提升模型性能的算法。POCINet同样将模型分为搜索和识别两个阶段，通过神经网络提取特征，利用得到的对输入图像进行预测。不同于SINet和D²C-Net，POCINet在模型解码的过程中充分利用相关部分和整体之间的关系补充卷积网络特征提取中缺失的部分，帮助模型提取伪装目标的物体边界以及在识别阶段帮助模型获得物体的内部细节和完整的物体形状。TACODNet按照人眼视觉检测的过程，将整个检测流程分为：层内信息增强和跨层信息聚合。前者判断伪装物体是否存在并大致定位，后者细化伪装目标的边缘信息，消除噪音信息的干扰。具体而言，TACODNet将浅层特征和深层特征进行结合，加强了模型对纹理信息和深层语义信息的提取能力，使模型不仅可以准确的定位目标，还可以避免噪声信息对模型性能的干扰。

以上模型的不足之处在于：通过简单堆叠大量卷积层导致整体的模型结构复杂，计算量和推理代价大、时间成本高，不符合实际应用中的需求。

发明内容

针对上述技术问题，本发明提出一种轻量化伪装目标检测方法和系统，其利用残差机制在保证模型精度的情况下，显著降低模型参数量。

本发明第一方面公开了一种轻量化伪装目标检测方法。所述方法利用目标检测算法模型YOLO进行目标检测，所述方法包括：

步骤S1、调用所述目标检测算法模型YOLO中的Backbone模块，从输入图像中提取目标物体的特征，所述输入图像中包含伪装目标，所述伪装目标为对所述目标物体进行伪装处理后得到的目标；