[发明专利]集成蒸馏策略和反卷积的微小目标检测片上实现方法

说明书

一种集成蒸馏策略和反卷积的微小目标检测片上实现方法，将用于高分辨率图像的教导网络的若干个中间特征图，采用对抗损失学习的方式对用于低分辨率图像的包含反卷积层的学习网络中的多个层进行训练，在扩大低像素图像的感受野的同时提高学习网络的输出精度并缩小片上尺寸。本发明通过学习网络将目标检测任务简单的设计为分类任务，只需判别20×20像素区域内目标是否存在，因此在硬件实现时片上面积小，且需要的内存少的同时，对微小物体的检测可以有效消除误检。

技术领域

本发明涉及的是一种图像检测领域的技术，具体是一种集成蒸馏策略和反卷积的微小目标检测片上实现方法。

背景技术

尽管目前有几种使用卷积神经网络检测物体的方法，当目标占据图像的很大一部分(通常其尺寸大于20平方像素)，大多数流行的算法都能表现良好。最近，出现了许多算法来检测分辨率低(小于20平方像素)的微小物体。这些方法通常依赖于多尺度分辨率和并在对应分辨率检测不同大小的目标物体。这种架构同时检测多种目标物体(多任务)，有利于提高对微小目标物体的检测，但在硬件实现过程中需要更大的存储量和更长的计算时间。

发明内容

本发明针对现有技术存在的上述不足，提出一种集成蒸馏策略和反卷积的微小目标检测片上实现方法，使用几个反卷积层来扩展感受野，并且这些反卷积层通过具有高分辨率物体的预训练卷积网络进行蒸馏，从而在微小物体检测上达到与大型物体相似的精确度。

本发明是通过以下技术方案实现的：

本发明涉及一种集成蒸馏策略和反卷积的微小目标检测片上实现方法，将用于高分辨率图像的教导网络的若干个中间特征图，采用对抗损失学习的方式对用于低分辨率图像的包含反卷积层的学习网络中的多个层进行训练，在扩大低像素图像的感受野的同时提高学习网络的输出精度并缩小片上尺寸。

所述的学习网络中不含残差结构。

所述的教导网络用于对抗损失学习的中间特征图经残差网络处理。

技术效果

与现有技术相比，本发明学习网络中不含残差结构，保证了在硬件实现时不需要时钟等待，速度更快，且避免了读取不同尺度的特征数据做融合操作，减少读写功耗；通过学习网络将目标检测任务简单的设计为分类任务，只需判别20×20像素区域内目标是否存在，因此在硬件实现时片上面积小，且需要的内存少的同时，对微小物体的检测可以有效消除误检。

附图说明

图1为本发明集成蒸馏策略和反卷积的微小目标检测架构示意图；

图2为教导网络中使用的残差结构示意图；

图3为实施例效果示意图。

具体实施方式

如图1所示，为本实施例涉及的一种集成蒸馏策略和反卷积的微小目标检测架构，包括：用于低分辨率图像的包含反卷积层的学习网络StudentNet和用于高分辨率图像的教导网络TeacherNet，通过教导网络的若干个中间特征图采用对抗损失学习的方式对学习网络中的多层进行训练，在扩大低像素图像的感受野的同时提高学习网络的输出精度。