基于特征融合及神经网络搜索的轻量型水下目标检测方法.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CN113869395A(43)申请公布日2021.12.31(21)申请号202111127297.4(22)申请日2021.09.26(71)申请人大连理工大学地址116024辽宁省大连市甘井子区凌工路2号(72)发明人刘日升付陈平仲维樊鑫罗钟铉(74)专利代理机构大连理工大学专利中心21200代理人戴风友(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书4页附图2页(54)发明名称基于特征融合及神经网络搜索的轻量型水下目标检测方法(57)摘要本发明公开了基于特征融合及神经网络搜索的轻量型水下目标检测方法，属于计算机视觉领域。将陆上与水下检测网络特征进行融合，即相加操作，以实现利用陆上先验知识指导水下网络结构建设的目标。同时利用神经网络搜索算法，设计高效搜索空间，采用基于梯度的可微搜索策略，并构建水下超网络结构以及陆上镜像检测结构以直接建立水下降质因素、陆上先验信息与检测网络结构的联系。CN113869395ACN113869395A权利要求书1/2页1.一种基于特征融合及神经网络搜索的轻量型水下目标检测方法，其特征在于，包括步骤如下：第一步，准备数据集；预先准备的数据集包括预训练数据集，陆上检测网络训练数据集和水下检测网络训练数据集；第二步，获得可用的陆上检测网络；首先通过预训练数据集预训练陆上检测网络的骨干部分获得预训练权重；在此基础上，利用陆上检测网络训练数据集进一步训练整个陆上检测网络，获得可用的陆上检测网络；第三步，搜索水下检测网络；设计高效的搜索空间以及水下搜索超网络，采用基于梯度的神经网络搜索算法，同时将陆上与水下的检测网络的特征进行融合，在水下检测网络训练数据集上进行水下检测网络结构的搜索；3.1所述的特征融合陆上检测网络的具体形式与水下搜索超网络的结构相同，水下检测网络训练数据集中的图片输入到陆上检测网络当中，将骨干部分前L层的每层输出抽取出来与水下检测网络的骨干部分中的对应层进行相加操作，该操作即本发明中水下与陆上检测网络的特征融合操作；该操作的目的在于将陆上检测网络的先验信息用于指导水下检测网络的搜索；3.2所述的基于梯度的神经网络搜索算法水下网络结构的搜索问题定义如下：其中和是包含水下各种退化因素的水下检测网络训练数据集；搜索过程旨在找到一个在已训练权重下最小化损失验证函数的网络结构αμ，使得训练损失函数达到最优解(理想情况)；本发明提出一种基于梯度的神经网络搜索，搜索框架由两部分组成：高效搜索空间和基于梯度的神经网络搜索算法；本发明设计了水下搜索超网络，并依此设计陆上检测网络；水下搜索超网络包括骨干、颈部、兴趣区域部分和头部；骨干部分由n个阶段组成，共包括m层；每阶段通道的参数与每阶段步长将根据经验设置；颈部为特征金字塔，用于融合由每个阶段输出的特征映射图；兴趣区域部分用于产生候选框，头部将产生分类和位置结果；采用基于梯度的神经网络搜索算法在陆上检测网络的指导下进行水下检测网络结构的搜索；在搜索阶段，水下搜索超网络中每个中间层的输出定义为所有候选块的加权和，具体公式表达为：式中xi代表水下第i层网络与陆上相应层的输出之和，是与块b(·)相关的参数，它2CN113869395A权利要求书2/2页可被视为第i层网络的第b个块的得分，代表上文所述的高效搜索空间；该搜索问题的损失函数定义如下：第一项表示检测器丢失，即分类和定位损失函数；第二项表示搜索部分的FLOPs，可分解为每个操作的线性和；这两项是由平衡参数γ进行加权求和。2.如权利要求1所述的一种基于特征融合及神经网络搜索的轻量型水下目标检测方法，其特征在于，所述高效搜索空间中候选块的组成为：轻量型基本块和双块；基本块按顺序依次包括一层1×1的组卷积(组取值为1)，一层k×k深度卷积(k代表卷积核大小)以及一层1×1的组卷积(组取值为1)；Relu激活函数只跟随第一层1×1卷积和深度卷积；当输入的维度保持不变，则由跳跃连接操作连接输入和输出；使用超参数膨胀率e和扩张率d约束该基本块；e用于扩展通道数，d用于扩张卷积核间距。3.如权利要求2所述的一种基于特征融合及神经网络搜索的轻量型水下目标检测方法，其特征在于，所述的双块通过级联基本块的方式增加搜索空间中候选块的数量。3CN113869395A说明书1/4页基于特征融合及神经网络搜索的轻量型水下目标检测方法技术领域[0001]本发明属于计算机视觉领域，涉及基于特征融合及神经网络搜索的轻量型水下目标检测方法。背景技术[0002]水下目标检测在海洋学、水下导航以及渔业等方面有广泛应用。该研究旨在定位出水下图像/视频中感兴趣的目标,准确判断出