【技术实现步骤摘要】
一种基于轻量级神经网络的目标检测方法
[0001]本专利技术属于计算机视觉中的目标检测
，具体涉及一种基于轻量级神经网络的目标检测方法。
技术介绍
[0002]目标检测是计算机视觉领域的重要任务之一，其研究现状可以从传统方法和深度学习方法两个方面来概述。传统方法主要基于手工设计的特征和滑动窗口或候选区域的策略。其中Viola Jones检测器、HOG检测器和DPM模型等是比较典型的代表。这些方法对于简单场景具有较好的检测效果，但是对于复杂多变的场景缺乏鲁棒性和泛化能力。深度学习方法主要基于深度卷积神经网络和端到端的训练框架。其中R
‑
CNN系列、YOLO系列和SSD系列等是比较典型的代表。这些方法可以自动学习图像特征，并实现快速准确的目标检测。
[0003]目前，深度学习方法已经成为目标检测领域的主流方法，YOLOv7在目标检测任务中取得了很好的效果。而当部署于移动设备或嵌入式设备时，YOLOv7的算力要求难以得到满足，进而无法保证目标检测任务的准确性和实时性。因此需要对YOLOv7进行轻量化...
【技术保护点】
【技术特征摘要】
1.一种基于轻量级神经网络的目标检测方法，其特征在于，包括以下步骤；步骤1：获取目标检测数据集，数据集中的数据为输入图像；步骤2：搭建基于轻量级神经网络的目标检测网络，所述目标检测网络结构顺序，依次为输入层、特征提取层、特征增强层和输出层；步骤3：训练目标检测网络，得到训练好的网络；步骤4：将待检测的图像样本，输入到步骤3训练好的网络中进行目标检测，输出检测结果。2.根据权利要求1所述的一种基于轻量级神经网络的目标检测方法，其特征在于，所述步骤1中目标检测数据集根据标志类别、大小和天气条件进行了划分；按照标志类别分，交通标志类型分为警告类、禁止类和强制类；按照天气条件划分，分为晴天、夜晚、多云、雨天、雪天和雾天。3.根据权利要求1所述的一种基于轻量级神经网络的目标检测方法，其特征在于，所述步骤2具体为：2.1)输入层，负责对目标检测数据集的输入图像进行预处理，将图片预处理并对齐成RGB图像；2.2)特征提取层，使用改进后的轻量级神经网络D
‑
MobileOne作为特征提取网络，其作用为对作为输入图像的RGB图像进行特征提取，特征提取层负责将抽取到的各类信息进行局部特征提取与融合，输出三个不同层级的特征图；2.3)特征增强层，对特征提取层输出的三个不同层级的特征图进行增强，包括CBAAM模块、SPPCSPC模块、HDCBS模块、UPSample模块、ELAN
‑
Q模块和MPConv模块；2.4)输出网络部分，对特征增强层中特征增强后的三个尺寸的特征图经过REP模块和卷积层，最终输出结果。4.根据权利要求3所述的一种基于轻量级神经网络的目标检测方法，其特征在于，所述2.2)中，改进后的轻量级神经网络D
‑
MobileOne由D
‑
CB
‑
M模块和CB
‑
N模块构成，对输入的RGB图像进行特征提取，并输出三个不同层级的特征图；将D
‑
CB
‑
M模块与CB
‑
N模块的组合看做D
‑
MobileOne的一个单元，则D
‑
MobileOne网络中含有五个该单元，连接方式为级联；按照每个D
‑
MobileOne单元进行划分，将特征提取层划分为五部分；特征提取层经过CBAAM模块向特征增强层输出三层不同尺寸的特征图。5.根据权利要求4所述的一种基于轻量级神经网络的目标检测方法，其特征在于，具体为：2.2.1)D
‑
CB
‑
M模块包含三条支路，第一条支路包含k个由3
×
3深度卷积和1
×
1点卷积构成的深度可分离卷积模块(k为超参数)，第二条分支为一个包含1
×
1卷积的CB模块，第三条分支为BN层；D
‑
CB
‑
M的重参数化分支包含3
×
3卷积、1
×
1卷积、BN层以及激活函数；2.2.2)CB
‑
N模块包含两个分支，CB
‑
N模块第一条支路为k个由1
×
1卷积和BN层构成的CB模块，第二条分支为BN层；CB
‑
N的重参数化分支包含1
×
1卷积、BN层以及激活函数。6.根据权利要求3所述的一种基于轻量级神经网络的目标检测方法，其特征在于，所述2.3)具体为；2.3.1)CBAAM模块由两部分构成：通道注意力模块和空间注意力模块；通道注意力模块是通过对输入特征图进行自适应...
【专利技术属性】
技术研发人员：刘虎成，张文博，姜超颖，龙璐岚，李林，臧博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
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。