一种基于MobileNet轻量化网络的上下文特征融合方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115019279A(43)申请公布日2022.09.06(21)申请号202210084494.0G06N3/04(2006.01)(22)申请日2022.01.25G06N3/08(2006.01)(71)申请人昆明理工大学地址650093云南省昆明市五华区学府路253号(72)发明人王青旺黄裕凯沈韬朱艳(74)专利代理机构昆明明润知识产权代理事务所(普通合伙)53215专利代理师王鹏飞(51)Int.Cl.G06V20/58(2022.01)G06V10/44(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)权利要求书1页说明书4页附图3页(54)发明名称一种基于MobileNet轻量化网络的上下文特征融合方法(57)摘要本发明涉及一种基于MobileNet轻量化网络的上下文特征融合方法，属于图像处理技术领域。本发明构建轻量级神经网络模型，在主干特征提取网络部分使用ECA注意力机制，加强主干网络特征提取能力；在算法预测结构上，利用FPN特征金字塔结构进行多卷积特征融合，并加入RFB感受野模块获得更加丰富的语义信息；使用车辆检测KITTI数据集，划分训练集和测试集；用构建的轻量级神经网络进行训练；利用训练好的模型对车辆目标进行识别。本发明与现有技术相比，主要解决了轻量化网络MobileNet对小目标的漏检现象，有效提高了车辆图像目标的检测精度，降低模型大小，能更好以移植到硬件设备上。CN115019279ACN115019279A权利要求书1/1页1.一种基于MobileNet轻量化网络的上下文特征融合方法，其特征在于：Step1：构建轻量级神经网络模型，在主干特征提取网络部分使用有效注意力机制，加强主干网络特征提取能力，在算法预测结构上，利用FPN特征金字塔结构对MobileNet网络的第5、第7、第10个block模块进行多卷积层特征融合，并加入感受野模块获得更加丰富的语义信息，在预测框回归损失函数和目标预测框非极大值抑制；Step2：使用车辆检测KITTI数据集，对车辆图像进行筛选整理，划分训练集和测试集；Step3：通过训练集和测试集对构建的轻量级神经网络进行训练；Step4、利用训练好的模型对车辆目标进行识别。2.根据权利要求1所述的基于MobileNet轻量化网络的上下文特征融合方法，其特征在于：所述车辆检测KITTI数据集包含市区、乡村和高速公路等场景采集的真实图像数据，为不同种类、不同形状的以及有不同细节的图片。3.根据权利要求1或2所述的基于MobileNet轻量化网络的上下文特征融合方法，其特征在于：所述FPN特征金字塔结构具有自上而下的运算逻辑，具体通过与特征提取网络部分的卷积层信息进行横向连接，提高对多尺度图像目标的识别能力。4.根据权利要求1所述的基于MobileNet轻量化网络的上下文特征融合方法，其特征在于：所述感受野模块中包含多个3×3大小的卷积核，可以使用空间可分离卷积替代普通卷积，空间可分离卷积是把卷积核为n×n的卷积拆分为n×1和1×n的两个卷积。5.根据权利要求1所述的基于MobileNet轻量化网络的上下文特征融合方法，其特征在于：所述轻量级神经网络模型通过轻量级神经网络模型构建模块来构建，具体为，在主干网络的深度可分离模块中加入ECA注意力机制，在算法预测结构上，利用特征金字塔结构进行多尺度特征融合，之后再加入RFB扩充感受野模块增加语义信息，提高目标检测的效果。2CN115019279A说明书1/4页一种基于MobileNet轻量化网络的上下文特征融合方法技术领域[0001]本发明涉及一种基于MobileNet轻量化网络的上下文特征融合方法，属于图像处理技术领域。背景技术[0002]当前目标检测不仅在学术界受到大量的研究，在实际生活中也得到了大量的应用，如视频火灾探测、无人驾驶、安全监控、无人机场景分析等。目前目标检测算法主要分为两种，基于图像处理的传统目标检测算法和基于卷积神经网络的目标检测算法。[0003]目前，各类机动车辆大量增加，驾驶员队伍日益壮大。道路交通过程中车辆之间的冲突和事故也日益增多，特别是高速公路上发生的道路交通事故的数量,随着我国高速公路里程的增加也随之增加，专家对汽车交通事故的分析结果表明，在所发生的交通事故中，有80％是由于驾驶员反应不及时，处置不当所造成。其中有65％的事故属汽车追尾碰撞造成。结合高速公路交通管理实践经验，分析一下高速公路追尾事故的主要原因。[0004]机器视觉也叫计算机视觉,是用计算机模拟人的视觉系统,通过对环境图像的采集、感知、处理、识别来获取环境信息,最终用于实际测量、检测和控制。大量的环境