一种改进型轻量化目标检测方法技术

本发明专利技术涉及了一种改进型轻量化目标检测方法，属于数字图像处理技术领域。采用SKNet中的SKConv并提出及使用改进SKConv

【技术实现步骤摘要】
一种改进型轻量化目标检测方法

：
[0001]本专利技术涉及了一种改进型轻量化目标检测方法，属于数字图像处理

技术背景：
[0002]目标检测一直是计算机视觉领域中一个十分热门的研究方向，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基于深度卷积神经网络的检测技术。过去近十几年来，基于深度卷积神经网络的目标检测在计算机视觉领域和人工智能领域得到快速发展，各种目标检测方法涌现出来，例如，两阶段目标检测方法R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN及后面Casacde R
‑
CNN[4]和S
‑
PPNet等；单阶段目标检测方法SSD系列、EfficientDet和YOLO家族等；端到端预测的目标预测方法DETR、Deformable DETR等。上述算法中除YOLO系列的方法外，其他检测方法不是无法到达实时检测就是不能较好的平衡速度与精度。
[0003]随着目标检测技术的快速发展，工业界也开始关注目标检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进型轻量化目标检测方法，其特征在于，改进的模型网络设计，所述方法包括以下步骤：步骤1，SKConv设计。在减少网络参数和轻量化网络方面具有突出优势但对精度并没有提高反而有所下降，主要劣点有3个：(1)SKConv使用分组卷积使得参数减少，进而无法充分提取特征信息造成信息缺失；(2)SKConv中Select部分采用了类似SE注意力机制中的降维操作，而文献中通过实验表明引入降维操作虽然可以降低模型得复杂性，但是它却破坏了通道和通道权重之间得直接对应关系，使其之间得关系变得模糊；步骤2，通道注意力模块。ECA模块是针对深度卷积神经网络提出的一种高效通道注意力方法，它采用跨通道交互的方法进行通道权重的预测，有效地避免SENet中采用降维操作对通道权重预测带来的负面影响，实现了参数少，效率高，低模型复杂度的高效通道注意力机制，结构如图2上半部分所示。但本发明发现ECA模块在使用1维卷积执行通道权重计算的时候，为了维持输入特征维度和输出特征维度数量相等，1维卷积采用0填充的方式对输入数据进行填充，然而，这样将会造成处于输出边缘位置的通道权重使用了无效数据0，也就是该位置的权重相对中间位置的权重利用了更少的输入信息，这不仅导致位于边缘位置的通道特征无法得到充分的注意，还将在损失反向传播时网络对1维卷积内部的参数更新造成不良影响。本发明优化了原版ECA模块，提出效果更好的C
‑
ECA（Circular
‑
ECA）模块，如图下半部分所示，优化1维卷积的填充方式从之前的0填充方式改用循环填充方式对输入数据进行填充，这样使得1维卷积内部的每一个参数都能够与完整的输入数据进行交互，输出的任何一个位置上的数据都有同等数量的输入数据的贡献，C
‑
ECA原理上形成一个闭环系统，其中蓝色块为真实信息，白色块为填充信息，块中的数字表示块中信息的排序，数字
‘0’
表示填充无效数据0。2.步骤3，改进YOLOv5网络结构。本文为改进网络结构提出了新模块，所有新模块如图3右半部分所示。CBS模块由普通卷积层，BN层及Silu激活函数这三个部分按顺序连接组成简单的卷积块。CBS(G)模块是把CBS中普通卷积换为分组卷积的特殊形式，主要用在SKConv
‑
G2中，其中G表示分组数。SK
‑
G2(G)模块是SKConv
‑
G2卷积的具体实现，由两个并行可选卷积核大小的CBS(G)，Conact
‑
G2和一个1
×
1的分组卷积组成，本文默认两个并行的CBS(G)中的卷积核大小分别是3
×
3和5
×
5，Conact
‑
G2表示图1中链路2的拼接方式；DarkUnit(G)模块具有和DarkNet中类似的Bottleneck（忽略残差）结构，应用了SK
‑
G2(G)并且添加了C
‑
ECA模块；DarkUnitX(G)单元有两种形式，其中X表示DarkUnitX(G)单元的选择，一种是带有残差连接的DarkUnit1(G)单元，另一种是不带有残差连接的DarkUnit2(G)单元，虽然DarkUnit(G)和DarkUnitX(G)结构上类似但是DarkUnit(G)的特征输入形状不同于输出形状主要作为下采样单元完成特征提取而DarkUnitX(G)的特征输入形状同输出形状主要完成特征融合提高模型鲁棒性；C3_X(G)模块也有两种不同形式，两种不同形式最主要得区别是C3_X(G)模块内部采用不同的DarkUnitX(G)单元。C3_1(G)主要应用于主干网络因为主干网络距离输出层远，在损失反向传播时容易发生梯度消失的现象所以采用内部使用有残差连接的DarkUnit1(G)单元的C3_1(G)模块尽可能的减少上述现象的发生；C3_2(G)模块应用在neck部分此时距离输出较近梯度消失现象几乎不存在，在梯度消失不存的情况下选择内部使用不带有残差连接的DarkUnit2(G)的C3_2(G)模块还能减少shortcut带来的计算量。3.根据权利要求书1所述的一种改进型轻量化目标检测方法，其特征在于，所述步骤1
中SKConv结构设计为：为解决SKConv中劣点2对网络造成得负面影响，本文参考ECA
‑
Net中对SE注意力机制提出一种的变体结构形式SE
‑
GC1并引入的一种新颖的特征拼接方式—均间隔分插，提出改进SKConv
‑
G系列,结构图如图1下半部分所示。SKConv
‑

【专利技术属性】
技术研发人员：任红格，董广宇，刘思南，杜静娟，朱文旭，
申请(专利权)人：中科极控天津科技有限公司，
类型：发明
国别省市：