基于多尺度融合轻量化深度学习卷积网络的目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113902971A(43)申请公布日2022.01.07(21)申请号202111068517.0G06N3/08(2006.01)(22)申请日2021.09.13(71)申请人北京理工雷科电子信息技术有限公司地址100081北京市海淀区中关村南大街5号2区683号楼理工科技大厦401(72)发明人曾大治梁若飞章菲菲刘英杰(74)专利代理机构北京理工大学专利中心11120代理人田亚琪(51)Int.Cl.G06V20/10(2022.01)G06V10/82(2022.01)G06V30/18(2022.01)G06N3/04(2006.01)权利要求书1页说明书6页附图3页(54)发明名称基于多尺度融合轻量化深度学习卷积网络的目标检测方法(57)摘要本发明公开了基于多尺度融合轻量化深度学习卷积网络的目标检测方法，设计骨干网络由两个模块组成：主干特征提取模块和多尺度融合定位特征模块；主干特征提取模块遵循了DenseNet网络沿通道维度串联的结构特点，使得每一层与它的所有后续层直接连接，特征可重复利用，不需要学习冗余的特征，从而降低参数量，保持网络精简高效；并且在其基础上增加了双路卷积通道方式，从而得到不同尺度的感受野；多尺度特征模块沿用了SSD多尺度锚点框检测机制，并在其基础上加入3‑way残差模块，把多尺度特征进行融合，增强特征的表达能力，从而检测多尺度飞机目标。CN113902971ACN113902971A权利要求书1/1页1.一种基于多尺度融合的轻量化深度学习卷积网络的目标检测方法，其特征在于，包括以下步骤：步骤一、获取卫星宽幅图像数据，对图像数据中的飞机目标进行标注，对标注后的数据进行拆分形成训练集、测试集和验证集；步骤二、构建由Stem模块、双路卷积密集连接模块和传输层构成的骨干网络；步骤三、为了检测尺度差异大的飞机目标，构建多种尺度的卷积层来用于分类和检测；步骤四、基于飞机目标的任意方向性，构建两个网络分支提取不同特征进行分类和回归；步骤五、在回归的网络分支加入ARF和ORN；步骤六、基于步骤五的网络提取旋转不变特征，构建特征映射关系，对飞机目标类别进行置信度确定及四个边界框的确定；步骤七、基于步骤六得到的不同尺度特征下的目标的四个边界框，进行非极大值抑制操作，最后得到最终的检测结果，从而完成轻量化网络的设计；利用步骤一获得的训练集、测试集和验证集对所述轻量化网络进行训练；步骤八、利用训练好的轻量化网络对卫星宽幅图像数据中的飞机目标进行检测。2.如权利要求1所述的一种基于多尺度融合的轻量化深度学习卷积网络的目标检测方法，其特征在于，所述卫星宽幅数据为8米民用分辨率。3.如权利要求1所述的一种基于多尺度融合的轻量化深度学习卷积网络的目标检测方法，其特征在于，步骤三中，采用采用4种尺度特征图做检测。4.如权利要求3所述的一种基于多尺度融合的轻量化深度学习卷积网络的目标检测方法，其特征在于，步骤三中，采用了残差模块和反卷积模块构成了多尺度特征融合模块，并且将其嵌入到每种尺度特征下。5.如权利要求1所述的一种基于多尺度融合的轻量化深度学习卷积网络的目标检测方法，其特征在于，步骤四中，回归分支通过主动旋转卷积滤波器来提取旋转敏感特征，分类分支通过汇集旋转敏感特征来提取旋转不变性特征。2CN113902971A说明书1/6页基于多尺度融合轻量化深度学习卷积网络的目标检测方法技术领域[0001]本发明属于机器学习及深度学习的技术领域，具体涉及一种基于多尺度融合的轻量化深度学习卷积网络的目标检测方法。背景技术[0002]通常，深度神经网络的参数数目可以达到千万甚至亿级，随着网络的深度和广度的增加，网络模型存在着大量的冗余参数，这是导致深度学习模型计算量大、内存消耗严重的主要原因。实际上，在网络传播过程中，只需要保留重要程度较高的神经元或者以更为优化和简单的方式组织表示神经元就可以提供足够的特征信息给神经网络的输出层进行结果预测。针对这个现象，很多关于模型压缩和模型运算加速的方法被提出，总结为，深度神经网络模型加速和优化的策略研究主要可以归结为三个层面：精简权重的表示方式、减少网络连接和神经元冗余、网络结构的优化。[0003](1)精简网络权重的表示[0004]常用的神经网络模型参数的表示形式都是浮点型(单精度)数或者双精度数，即一个参数需要占用4个字节(32位)或者8个字节(64位)。为了降低深层神经网络模型的存储空间和内存消耗从而达到压缩和加速深度模型的目的，很多相关研究学者企图通过利用更少的比特位来近似表示深度神经网络模型的实数权重值。[0005](2)降低网络权重的冗余[0006]深度神经网络模型在参数学习的过程中其实大部分的参数对输入对象的