一种基于卷积神经网络的图像目标检测方法，系统及可读存储介质技术方案

本发明专利技术公开了一种基于卷积神经网络的图像目标检测方法、系统及可读存储介质，该方法包括如下步骤：采集图像样本，并对图像样本中的目标进行标记；构建基于一阶段网络的轻量型深度卷积网络；所述轻量型深度卷积网络的FPN网络架构中增设空间辅助激励模块AE、通道注意力模块SE、轻量型的卷积模块ConvSet；将图像样本进行聚类获得k个瞄框Anchor；将图像样本输入轻量型深度卷积网络，并基于所述瞄框Anchor进行模型训练得到目标检测模型；利用构建的目标检测模型识别待检测图像中的所述目标。本发明专利技术该方法可以应用于图像中的船舶检测，提高了检测速率以及精度，保证了实际应用中实时性检测需求。测需求。测需求。

【技术实现步骤摘要】
一种基于卷积神经网络的图像目标检测方法，系统及可读存储介质


[0001]本专利技术属于计算机视觉、模式识别以及目标检测
，具体涉及一种基于卷积神经网络的图像目标检测方法，系统及可读存储介质。

技术介绍

[0002]近年以来，各种涉海、用海等活动越来越多，并且规模越来越大，海上各种安全事故、违章、违法船行为相应也越来越多，海上船舶检测工作日益繁重。
[0003]现在船舶检测技术主要有船舶自动识别系统(简称AIS)与岸基雷达，但是AIS信息存在主观错误，而雷达目标存在信息缺失等问题，因此在各种港口、沿海以及江河沿岸都布置了大量的视频摄像头，对上述技术进行辅助监控。但是现有视频监控主要以人工监控为主，效率和利用率较低。针对上述问题，相关研究人员利用图像处理与机器学习结合等方法进行船舶的检测以及监控。比较经典的方法是首先使用灰度直方图统计，以获得船舶的边缘信息，然后根据形状分析提取特征，然后利用支持向量机等分类方法对候选特征区域进行鉴别。这种检测方法泛化性能较差，在环境、光照等因素影响下容易导致误检和漏检问题。
[0004]卷积神经网络能够从数据中逐层自动地提取特征，不需要人工设计特征，在各种图像处理领域有着广泛的作用。在目标检测领域，从2014年由微软亚洲研究员RossGirshick首次提出R
‑
CNN开始，深度学习技术应用到目标检测开启了崭新的篇章，其在输入图像上使用选择搜索算法得到可能是目标的候选区域，然后将每个候选区域送入CNN网络中，提取一个固定长度的特征向量，最后使用支持向量机对特征向量进行分类。其在VOC 2012数据集上平均准确率达到53.3％，随后针对R
‑
CNN存在的问题，后续提出了Fast R
‑
CNN和Faster R
‑
CNN 等网络，这些网络由于其检测算法的特点统称为两阶段检测网络，它们具有较高的准确率，但是检测速度非常慢基本达不到实时性的要求。针对上诉问题，2016年Joseph Redmon等人相继提出YOLO v1、SSD、YOLO v2、RetinaNet、YOLOv3等检测网络，这些网络由于其检测算法输入图片直接输出物体位置和类别，统称为一阶段网络。以YOLOV3为例子，其首先对输入的图片使用CNN网络进行特征提取，对于提取到的特征使用FPN进行语义信息和尺度信息的融合重组以得到不能尺度大小的三层特征层，分别利用这些特征层进行分类和回归多任务学习。它的检测速度相比两阶段检测网络快速，在CPU上测试基本能达到实时性要求，但是它的缺点是相比两阶段检测精度较低。
[0005]因此，如何应用卷积神经网络中YOLOV3来实现图像中类似船舶等目标的检测，并提高检测精度的问题是本专利技术亟需解决的。

技术实现思路

[0006]本专利技术的目的是提供一种基于卷积神经网络的图像目标检测方法，系统及可读存储介质，所述方法可以应用于图像中的船舶检测，能够实现全天候海上船舶检测的功能，解
决原有传统方法受环境因素影响大、抗干扰能力弱，以及现有深度学习方法检测精度低等问题。
[0007]一方面，本专利技术提供的一种基于卷积神经网络的图像目标检测方法，包括如下步骤：
[0008]采集图像样本，并对图像样本中的目标进行标记；
[0009]构建基于一阶段网络的轻量型深度卷积网络；
[0010]所述轻量型深度卷积网络的FPN网络架构中增设空间辅助激励模块AE、通道注意力模块SE、轻量型的卷积模块ConvSet；
[0011]将图像样本进行聚类获得k个瞄框Anchor；
[0012]将图像样本输入轻量型深度卷积网络，并基于所述瞄框Anchor进行模型训练得到目标检测模型；
[0013]利用构建的目标检测模型识别待检测图像中的所述目标。
[0014]所述FPN网络的输入值为所述轻量型深度卷积网络中特征提取网络的输出的特征层，将输出的每个特征层分别作为一条支路最终得到输出值，相邻支路之间自顶向下上采样。所述空间辅助激励模块AE设置于所述轻量型深度卷积网络中特征提取网络中C3特征层之前，通道注意力模块SE设置在轻量型的卷积模块ConvSet之前，轻量型的卷积模块ConvSet中部分卷积层为深度可分离卷积SeparableConv，最后一层卷积层为普通卷积层。轻量型的卷积模块 ConvSet的最后输出所述轻量型深度卷积网络的输出特征量。
[0015]本专利技术利用上述网络结构，一方面利用了一阶段网络的速度优势，以保证实时性的需求；另一方面，本专利技术利用增设的空间辅助激励模块AE，通道注意力模块SE可以有效的提高检测精度，轻量型的卷积模块ConvSet可以降低计算量进而提高检测效率。
[0016]可选地，所述空间辅助激励模块AE设置于所述轻量型深度卷积网络中特征提取网络中 C3特征层之前，所述C3特征层为所述特征提取网络的第一个输出特征，其他输出特征层基于所述C3特征层依次输出；
[0017]所述空间辅助激励模块AE用于增加特征层在目标框区域的信息，若输入所述空间辅助激励模块AE的为特征层F
in
，对应输出值F
out
满足：
[0018]F
out
(i,j,c)＝F
in
(i,j,c)+F
a
'
e
(i,j)
[0019]F'
ae
(i,j)＝F
ae
(i,j)
×
η(t)
[0020]F
ae
(i,j)＝F
mask
(i,j)F
avg
(i,j)
[0021][0022]其中，F
out
(i,j,c)为输出值F
out
中通道c中像素点(i,j)对应的输出值，F
in
(i,j,c)为特征层F
in
中通道c中像素点(i,j)的对应值，F'
ae
(i,j)为辅助激励层F
a
'
e
中通道c中像素点(i,j) 的对应值，η(t)为当前训练迭代次数t对应的课程学习系数η，F
ae
(i,j)为辅助激励层F
ae
中像素点(i,j)的对应值，F
mask
(i,j)为掩膜层F
mask
中像素点(i,j)的对应值，F
avg
(i,j)为特征层F
avg
中像素点(i,j)的对应值，C为通道总数。
[0023]可选地，所述通道注意力模块SE包括Squeeze子模块、Excitation子模块和Scale子模块；
[0024]所述Squeeze子模模块由卷积网络构成，利用卷积运算后得到特征层F'
in
，然后通
过全局平均池化层将每个二维的特征通道进行压缩使变成一个实数得到特征层F...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的图像目标检测方法，其特征在于：包括如下步骤：采集图像样本，并对图像样本中的目标进行标记；构建基于一阶段网络的轻量型深度卷积网络；所述轻量型深度卷积网络的FPN网络架构中增设空间辅助激励模块AE、通道注意力模块SE、轻量型的卷积模块ConvSet；将图像样本进行聚类获得k个瞄框Anchor；将图像样本输入轻量型深度卷积网络，并基于所述瞄框Anchor进行模型训练得到目标检测模型；利用构建的目标检测模型识别待检测图像中的所述目标。2.根据权利要求1所述的方法，其特征在于：所述空间辅助激励模块AE设置于所述轻量型深度卷积网络中特征提取网络中C3特征层之前，所述C3特征层为所述特征提取网络的第一个输出特征，其他输出特征层基于所述C3特征层依次输出；所述空间辅助激励模块AE用于增加特征层在目标框区域的信息，若输入所述空间辅助激励模块AE的为特征层F
in
，对应输出值F
out
满足：F
out
(i,j,c)＝F
in
(i,j,c)+F
′
ae
(i,j)F
′
ae
(i,j)＝F
ae
(i,j)
×
η(t)F
ae
(i,j)＝F
mask
(i,j)F
avg
(i,j)其中，F
out
(i,j,c)为输出值F
out
中通道c中像素点(i,j)对应的输出值，F
in
(i,j,c)为特征层F
in
中通道c中像素点(i,j)的对应值，F
′
ae
(i,j)为辅助激励层F
′
ae
中通道c中像素点(i,j)的对应值，η(t)为当前训练迭代次数t对应的课程学习系数η，F
ae
(i,j)为辅助激励层F
ae
中像素点(i,j)的对应值，F
mask
(i,j)为掩膜层F
mask
中像素点(i,j)的对应值，F
avg
(i,j)为特征层F
avg
中像素点(i,j)的对应值，C为通道总数。3.根据权利要求1所述的方法，其特征在于：所述通道注意力模块SE包括Squeeze子模块、Excitation子模块和Scale子模块；所述Squeeze子模模块由卷积网络构成，利用卷积运算后得到特征层F
′
in
，然后通过全局平均池化层将每个二维的特征通道进行压缩使变成一个实数得到特征层F
sq
；所述Excitation子模块通过全连接的形式学习每个特征通道的权重得到权重层F
ex
；所述Scale子模块将权重层F
ex
通过乘法的形式逐通道加权到特征层F
′
in
上完成在通道维度对特征的重标定。4.根据权利要求1所述的方法，其特征在于：所述轻量型的卷积模块ConvSet中部分卷积层为深度可分离卷积，所述深度可分离卷积由分组卷积dw以及卷积核大小为1的普通卷积pw构成，所述分组卷积dw的输入通道数、输出通道数和组数相等。5.根据权利要求1所述的方法，其特征在于：若所述FPN网络的输入值为所述轻量型深度卷积网络中特征提取网络输出的特征层C3、C4、C5、C6；所述FPN网络输出P3、P4、P5和P6，其中，将每个特征层分别作为一条支路最终得到所述FPN网络的输出量，相邻支路之间自顶向下上采样，所述空间辅助激励模块AE设置于所述特征提取网络中C3特征层之前；其中，若输入特征层C6，经过深度可分离卷积，空间辅助激励模块AE模块、ConvSet模块
后输出特征为P6，以及将经过ConvSet模块中前5个深度可分离卷积...

【专利技术属性】
技术研发人员：唐琎，陶思萌，李志勇，朱立军，
申请(专利权)人：中南大学，
类型：发明
国别省市：