一种基于轻量级可变形卷积的目标检测方法及系统技术方案

本发明专利技术公开了一种基于轻量级可变形卷积的目标检测方法及系统，包括：构建深度可分离的特征提取网络作为源网络；使用与源网络相同的算法结构，但不进行可变形卷积层替换，构造目标网络；通过模仿源网络的多层网络层提取的特征，对源网络的输出和目标网络做距离损失逼近；在分类层之前，特征提取的最后一层，使源网络去逼近目标网络层的输出；通过源网络和目标网络的相互学习框架联合训练后，得到新的特征提取网络模型；以新的特征提取网络模型作为特征提取器进行图像数据的特征提取，完成目标检测。本发明专利技术通过目标网络和源网络的相互学习,提升识别精度,降低数据运算量,减少对硬件设备的负担。

A target detection method and system based on lightweight deformable convolution

【技术实现步骤摘要】
一种基于轻量级可变形卷积的目标检测方法及系统
本专利技术涉及目标检测
，尤其涉及一种基于轻量级可变形卷积的目标检测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。目标检测是计算机视觉、模式识别与机器学习领域非常活跃的研究方向。目标检测在很多领域得到广泛使用。简单来说，给定一张图片，目标识别要回答的问题是这张图片中是否包含某类物体，目标检测要回答的问题则是物体出现在图中的什么地方，即需要给出物体的外接矩形框。目标检测是视觉研究中的基本问题，也是一个非常具有挑战性的问题。目标检测的难点与挑战按照任务类型的不同可分为三个层次：实例层次、类别层次、语义层次。而深度学习因其强大的性能在目标检测任务中受到很多业界专家的关注，但其性能极其依赖大量的数据运算，对硬件有较高的要求，在实际部署应用时有很大的局限性，如何在实现足够精度的情况下，减少模型参数数量以及数据运算量，轻量化网络技术受到业界以及学界的广泛关注，目前存在一些基于深度学习的目标检测任务的开创工作。但是，根据专利技术人了解，在本文档来自技高网...

【技术保护点】
1.一种基于轻量级可变形卷积的目标检测方法，其特征在于，包括：/n构建深度可分离的特征提取网络作为源网络；/n使用与源网络相同的算法结构，但不进行可变形卷积层替换，构造目标网络；/n通过模仿源网络的多层网络层提取的特征，对源网络的输出和目标网络做距离损失逼近；/n在分类层之前，特征提取的最后一层，使源网络去逼近目标网络层的输出；/n通过源网络和目标网络的相互学习框架联合训练后，得到新的特征提取网络模型；/n以新的特征提取网络模型作为特征提取器进行图像数据的特征提取，完成目标检测。/n

【技术特征摘要】
1.一种基于轻量级可变形卷积的目标检测方法，其特征在于，包括：
构建深度可分离的特征提取网络作为源网络；
使用与源网络相同的算法结构，但不进行可变形卷积层替换，构造目标网络；
通过模仿源网络的多层网络层提取的特征，对源网络的输出和目标网络做距离损失逼近；
在分类层之前，特征提取的最后一层，使源网络去逼近目标网络层的输出；
通过源网络和目标网络的相互学习框架联合训练后，得到新的特征提取网络模型；
以新的特征提取网络模型作为特征提取器进行图像数据的特征提取，完成目标检测。


2.如权利要求1所述的一种基于轻量级可变形卷积的目标检测方法，其特征在于，构建深度可分离的特征提取网络作为源网络，具体为：使用可变形卷积与可变形池化，替换掉特征提取网络中原有的卷积网络层和池化层；得到的新的特征提取网络作为源网络。


3.如权利要求2所述的一种基于轻量级可变形卷积的目标检测方法，其特征在于，所述可变形卷积为在标准卷积的采样网络位置上增加一个2D偏移，使得采样网格能够自由变形。


4.如权利要求2所述的一种基于轻量级可变形卷积的目标检测方法，其特征在于，所述可变形池化为在原有的兴趣区池化的每个常规方框上添加一个偏移；所述偏移从前面的特征和兴趣区上学习得到，能够对不同形状的目标做自适应定位。


5.如权利要求1所述的一种基于轻量级可变形卷积的目标检测...

【专利技术属性】
技术研发人员：张明鑫，张伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37