【技术实现步骤摘要】
基于改进的轻量化网络的目标识别方法及系统
[0001]本专利技术涉及目标识别
，尤其涉及一种基于改进的轻量化网络的目标识别方法及系统。
技术介绍
[0002]伴随着深度神经网络模型深度的叠加，精度并未随着模型深度的增加呈线性增长，因此现有的目标检测与物体识别技术大多采用复杂度较高，成本昂贵的芯片，但在低资源成本的成本上难以实现造成资源的浪费。并且网络模型的高存储与高功耗弊端，这使得它们在嵌入式设备、移动设备等资源受限的环境中难以部署和运行。并且由于模型大小的冗余，传统神经网络通常具有较慢的推理速度，因此它们在实时应用与交互式应用中难以使用。
[0003]随着人工智能的发展，采用嵌入式设备或移动设备实现运动目标检测的需求也逐渐增多，例如医院和火车站中的人脸识别装置以及一些智能对话机器人设备，因此实现对目标更便捷的识别越来越重要。而传统神经网络通常具有更多的参数和更深的网络结构，这使得它们更难以训练和优化。这可能需要更多的计算资源和更长的训练时间，并在一些实时交互设备上难以实现实时交互，例如在嵌入式设备上难以对视频...
【技术保护点】
【技术特征摘要】
1.基于改进的轻量化网络的目标识别方法，其特征在于，具体包括如下步骤：S1、数据集的构建：拍摄任意大小的具有同类特征的图像作为数据集，标注数据集并按比例划分训练样本与测试样本，分别作为训练集和测试集；S2、数据集预处理：对所述训练集进行正则化处理，进行图像增广操作；S3、建立FLN模型：构建基于轻量化网络的多尺度特征检测网络，使特征图经过3个FLN Layer提取特征后，经过上采样或下采样后进行拼接，再经过SPP层，得到FLN模型；S4、构建SIOULOSS损失函数；S5、训练FLN模型：初始化模型参数；通过所述数据集对所述FLN模型进行多轮训练，每轮训练中按照所述SIOULOSS损失函数计算损失值，训练迭代直至所述FLN模型的损失值趋于稳定，获得最优轻量化目标检测网络模型；S6、模型的量化推理：将所述FLN模型经过推理量化最终得到预期的模型文件，即训练好的FLN模型；S7、进行目标的检测：将待测图片输入训练好的FLN模型中，进行识别与检测，得到识别检测后的结果。2.根据权利要求1所述的基于改进的轻量化网络的目标识别方法，其特征在于：所述步骤S3中的基于轻量化网络的多尺度特征检测网络包括FLN backbone部分、Neck部分和detection部分；所述FLN backbone部分包括N个FLN Layer层，每层中堆叠不同的FLN Block；所述Neck部分包括三个特征尺度；所述detection部分根据设置的Anchor在各层级特征图上对目标进行检测。3.根据权利要求2所述的基于改进的轻量化网络的目标识别方法，其特征在于：所述FLN backbone部分包括3个FLN Layer层FLN Layer1、FLN Layer2和FLN Layer3，所述FLN Layer1、FLN Layer2和FLN Layer3分别由4个、8个和4个FLN Block堆叠而成。4.根据权利要求3所述的基于改进的轻量化网络的目标识别方法，其特征在于，所述步骤S3具体包括如下步骤：S301、首先将输入特征图片经过一个CBL模块中进行通道升维处理，通道维数由3变为24；S302、升维后进入FLN Layer1层中，输入分别经过由CBL模块组成的特征提取卷积层后在通道维度进行拼接实现特征融合，此时特征图通道数为48；S303、再进行通道Shuffle混淆操作，将通道数48分割成N组通道；S304、特征图分别通过所述的N个FLN Layer层，得到特征图P1、P2、
……
PN；S305、将特征图P1、P2、
……
PN进行拼接实现特征融合，通过SPP层，对特征图实现空间金字塔池化操作，减小特征图的尺寸并提高网络的感受野，进而提高网络的计算效率和准确率；S306、通过一个卷积层，FLN模型成功构建完成。5.根据权利要求4所述的基于改进的轻量化网络的目标识别方法，其特征在于：所述特征图通过FLN Layer1后，再通过一个平均池化层得到特征图P1；所述特征图通过FLN Layer3，再通...
【专利技术属性】
技术研发人员：张择书，吕恒毅，赵宇宸，孙铭，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
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。