[发明专利]一种基于轻量级图像金字塔网络的单阶段物体检测方法

摘要

本发明涉及一种基于轻量级图像金字塔网络的单阶段物体检测方法，包括下列步骤:选定合适的物体检测的数据集，数据集包含图片和标注，标注含有检测框的位置和物体类别；构建用于单阶段物体检测的三个网络：提取多尺度深层特征的主干网络、用于对检测框分类、回归的分类回归子网络和所提出的轻量级图像金字塔网络；选择合适的损失函数，物体检测任务中设计为多任务的损失函数，包括分类损失函数和检测框回归的损失函数，设计网络训练循环迭代的次数和网络最终收敛条件，并初始化网络参数；从数据集里选取训练图像，进行计算和训练。

主权项

1.一种基于轻量级图像金字塔网络的单阶段物体检测方法，包括下列步骤:1)选定合适的物体检测的数据集，数据集包含图片和标注，标注含有检测框的位置和物体类别；2)构建用于单阶段物体检测的三个网络：提取多尺度深层特征的主干网络、用于对检测框分类、回归的分类回归子网络和所提出的轻量级图像金字塔网络。主干网络中的骨干网络部分选取VGG16，分类回归子网络和标准的单次多框检测器SSD相同；所设计的轻量级图像金字塔网络，首先通过迭代下采样操作生成多层级图像金字塔，该图像金字塔接着通过所设计的轻量级卷积模块生成多尺度浅层特征，所产生的多尺度浅层特征和主干网络产生的多尺度深层特征利用浅层特征增强模块进行融合；在浅层特征增强模块中，相同分辨率的浅层特征和主干网络产生的深层特征首先通过批量归一化操作实现特征归一化，使浅层特征和深层特征的分布控制在同一个幅值范围内，然后通过点乘操作，实现浅层特征对对应层级的深层特征增强；增强后产生的多尺度特征再输入到所提出的特征前向融合模块，实现不同层级特征之间的融合，融合后的多尺度特征作为分类回归子网络的输入，用于对检测框分类和回归；3)选择合适的损失函数，物体检测任务中设计为多任务的损失函数，包括分类损失函数和检测框回归的损失函数，设计网络训练循环迭代的次数和网络最终收敛条件，并初始化网络参数；4)从数据集里选取训练图像，进行计算和训练，具体步骤如下：a)将训练图像分别输入到主干网络和轻量级的图像金字塔网络，分别得到多尺度深层特征和多尺度浅层特征，两种特征融合之后产生的多尺度调制特征再作为作为分类、回归子网络的输入，进一步生成检测框所属各个类别的得分以及检测框回归的位置坐标；b)计算损失并进行反向传播，按照梯度下降法更新网络权重；c)循环步骤a，b，经过多次迭代后，损失收敛，得到训练好的神经网络模型；5)将训练好的模型应用于测试或实际应用中，当输入图像时，通过训练好的神经网络模型计算得到当前图像的中物体的位置和类别。