【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
【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...
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。