一种融合多尺度特征的轻量级小目标检测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965827A(43)申请公布日2023.04.14(21)申请号202310060823.2(22)申请日2023.01.17(71)申请人淮阴工学院地址223003江苏省淮安市经济技术开发区枚乘东路1号(72)发明人甘峰瑞姜明新陆易王梓轩曹宇(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师柏尚春(51)Int.Cl.G06V10/77(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06N3/08(2023.01)权利要求书1页说明书5页附图4页(54)发明名称一种融合多尺度特征的轻量级小目标检测方法及装置(57)摘要本发明公开了一种融合多尺度特征的轻量级小目标检测方法及装置，构建针对小目标检测的数据集，并将数据集分为训练集和验证集；将原YOLOv5模型中的Backbone替换为轻量级特征提取网络Shuffle_Block；其中Shuffle‑Block将原分支的普通1×1卷积操作改为分组卷积，通过通道混洗帮助信息在不同组之间流动，加强特征通信；在YOLOv5模型的Neck层中引入GCA注意力模块，使具有固定权重的全连接层生成具有全局感受野的注意力图；引入自适应空间特征融合模块ASFF解决YOLOv5模型中特征金字塔内部不一致性；将训练集输入到改进后的YOLOv5模型中得到最佳权重，最后验证集输入网络中，输出检测结果。本发明针对低端设备计算能力有限的情况，大幅度降低目标检测模型的参数量、计算成本，提升小目标检测的检测速度。CN115965827ACN115965827A权利要求书1/1页1.一种融合多尺度特征的轻量级小目标检测方法，其特征在于，包括以下步骤：(1)对预先构建的针对小目标检测的数据集进行预处理，并将数据集分为训练集和验证集；(2)将原YOLOv5模型中的Backbone替换为轻量级特征提取网络Shuffle_Block；所述Shuffle‑Block将原分支的普通1×1卷积操作改为分组卷积，通过通道混洗帮助信息在不同组之间流动，加强特征通信；(3)在YOLOV5模型的NECK层中引入GCA注意力模块，使具有固定权重的全连接层生成具有全局感受野的注意力图；(4)引入自适应空间特征融合模块ASFF解决YOLOv5模型中特征金字塔内部不一致性；(5)将训练集输入到基于YOLOv5改进的小目标检测网络模型中得到最佳权重，最后验证集输入网络中，输出检测结果。2.根据权利要求1所述的一种融合多尺度特征的轻量级小目标检测方法，其特征在于，步骤(1)所述预处理过程为：将原始数据集格式转化成YOLO格式；将原始数据集大分辨率图片先进行切割，两张小图中间设置Overlap重叠区域，待小图检测完成后，再将所有的框放到大图中，对大图整体做一次NMS操作，将重叠区域很多重复框删除；原始图像中部分区域包含大量无法标注的密集小目标，将该区域进行遮挡处理，以减少该部分区域对精度的影响。3.根据权利要求1所述的一种融合多尺度特征的轻量级小目标检测方法，其特征在于，步骤(2)所述Shuffle‑Block在stride＝1的情况下，将输入特征图的C个通道分割成两个分支，其中一个分支保持不变，另一个分支首先进行1×1的分组卷积操作以减少参数量；随后进行ChannnelShuffle进行特征图重组增加通道联系，接着进行一个3×3深度可分离卷积压缩模型参数，紧接着进行1×1卷积，然后进行一个通道混洗；最后与另一个支路通过Concat进行通道拼接；最后通过ChannelShuffle操作进行特征图重组，每次1×1卷积之后都进行BN和Relu操作。4.根据权利要求1所述的一种融合多尺度特征的轻量级小目标检测方法，其特征在于，所述步骤(3)实现过程如下：将FC层分解为一个水平方向和一个垂直方向的FC层；GCA注意力模块首先对输入特征图通过全局平均池化进行一个下采样操作，随后依次进行1×1卷积，BN，接着是水平方向的全连接层，BN，RELU，垂直方向的全连接层，BN，RELU，然后通过双线性插值算法得到的特征图为原始尺寸，最后通过SIGMOID激活函数输出特征权重信息。5.根据权利要求1所述的一种融合多尺度特征的轻量级小目标检测方法，其特征在于，所述步骤(4)实现过程如下：Head层中将原YOLOv5模型特征融合网络PAnet改为ASFF模块，ASFF模块通过自适应学习各层级特征融合的权重参数，然后使用1×1卷积压缩到原来的通道数，输出特征层ASFF‑1、ASFF‑2与ASFF‑3，最后输入到预测网络。6.一种融合多尺度特征的轻量级小目标检测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于