【技术实现步骤摘要】
一种基于YOLO的轻量级的目标检测方法
[0001]本专利技术涉及计算机视觉目标检测领域，尤其是轻量级多尺度目标检测方法。
技术介绍
[0002]目标检测一直是计算机视觉领域一个相当重要的研究领域，随着深度学习技术的发展，目标检测算法也从基于手工特征的传统算法转向了基于深度卷积神经网络的检测技术。随着对检测精度要求的逐渐提高，检测任务难度也越来越大，越来越多的复杂大型网络被设计出来，例如SSD，R-CNN，Mask-R-CNN。而网络的参数数量动辄100M以上，例如像Faster R-CNN模型参数数量达到了132M，AmoebaNet的模型参数数量更是达到了209M。虽然更大的网络模型，更深的网络深度意味着网络可以提取到更多的深层特征来提升网络的精度，但是也引入了巨大的参数量与计算量，在一些内存受限的应用场景中就无法进行部署，因此轻量级的目标检测网络一直都是工业界十分关注的研究领域。
[0003]在许多移动场景中部署目标检测网络，不仅要考虑模型的计算复杂度与模型的参数数量，也同样要考虑模型的检测精度。其中比较通用的...
【技术保护点】
【技术特征摘要】
1.一种基于YOLO的轻量级的目标检测方法，其特征在于，包括以下步骤：步骤1，采集检测图片，形成训练集；步骤2，特征提取：将训练集输入到特征提取模块中提取语义特征，将提取到的语义特征在不同尺度上抽取三个分支，送入多尺度感受野融合模块；特征提取模块包括依次连接的第一1x1卷积、第一3x3卷积以及通道无缩放卷积块NEP；所述通道无缩放卷积块NEP包括依次连接的第一层网络、第二层网络、注意力模块ECA、第三层网络，第一层网络为第一Ghost模块，第二层网络为3x3的深度可分离卷积块，第三层网络为第二Ghost模块，所述第一Ghost模块、第二Ghost模块均包括依次连接的第二1x1卷积和第二3x3的深度可分离卷积，所述第一Ghost模块、第二Ghost模块替代常用的1x1卷积块；注意力模块ECA在全局平均池化后得到的一维特征图上，通过一个权重共享的1维卷积来学习通道无缩放卷积块NEP的各通道权重，而其中1维卷积核k
×
1的大小代表着模块的跨通道信息交互率，k会随着通道数的变化而动态调整；然后将得到的各通道权重分配到通道无缩放卷积块NEP的各特征通道上，最后通过权重重新分配后的通道进行权重特征融合，将得到的权重特征融合通过第二Ghost模块得到语义特征；步骤3，多尺度感受野融合模块：多尺度感受野融合模块根据三个分支的语义特征进行多尺度融合，得到融合后的三种不同尺度的特征图；步骤4，目标检测模块：使用融合后的三种不同尺度的特征图分别预测不同大小的物体；步骤5，损失计算模块：采用Distance-IoU Loss来计算损失函数，提升检测框的回归精度，得到最终的目标...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。