[发明专利]一种提高实时目标检测系统中均值平均精度的方法

说明书

本发明公开了一种提高实时目标检测系统中均值平均精度的方法，属于目标检测与图像处理的领域；首先批量归一化代替丢弃法，接着用模型分类器提取特征，然后去除全连层，将整个网络变成一个全卷积网络；使用人工选择的边界框进行预测；本发明使用K‑means聚类方法类训练物体标注框，可以自动找到更好的框宽高维度，使用预测相对于网格单元的坐标位置的办法进行直接位置预测，定位预测值被归一化后，参数更容易得到学习，模型更稳定；本发明使用维度集群和直接位置预测这两项固定框改进方法，均值平均精度获得了显著的提升。

技术领域

本发明属于目标检测与数字图像处理技术领域，涉及到一种提高实时目标检测系统中均值平均精度的方法。

背景技术

深度学习发展迅速，目标检测成了当下研究的热门方向，应用前景非常广阔，而实时目标检测常常用于生产生活的关键领域，这使得对实时目标检测的精度提出了更高的要求。

通常目标检测是给定一个图像，找到其中的目标，找到它们的位置，并且对目标进行分类。目标检测模型通常是在一组固定的类上进行训练的，所以模型只能定位和分类图像中的那些类。此外，目标的位置通常是边界矩阵的形式。所以，目标检测需要涉及图像中目标的位置信息和对目标进行分类。

使用固定的时候遇到了两个问题，第一个是固定框的宽高维度往往是精选的先验框，虽说在训练过程中网络也会学习调整框的宽高维度，最终得到准确的物体标注框。但是，如果一开始就选择了更好的、更有代表性的先验框维度，那么网络就更容易学到准确的预测位置。

使用固定框时发现的第二个问题就是：模型不稳定，尤其是在早期迭代的时候。大部分的不稳定现象出现在预测框的坐标上了。无论在什么位置进行预测，任何固定框可以在图像中任意一点结束。模型随机初始化后，需要花很长一段时间才能稳定预测敏感的物体位置。

因此，当下对于传统的实时目标检测系统在先验证框维度选取不足，以及预测框稳定性差，导致均值平均精度较低，这就使得实时目标检测系统结果不精确，影响识别效果。

发明内容

本发明克服现有技术存在的不足，提供一种提高实时目标检测系统中均值平均精度的方法，采用回归模型，经过一次网络传播，得到整幅图像的目标，目的是提高均值平均精度使得检测准确率和速率得到提升。

本发明是通过如下技术方案实现的。

一种提高实时目标检测系统中均值平均精度的方法，其特征在于，具体包括以下步骤：

1)网络在每一个卷积层后添加批量归一化，批量归一化有助于规范化模型，使用批量归一化代替丢弃法防止过拟合。

2)使用可视化数据库对分类网络进行训练，使训练后的分类网络适应高分辨率的输入。

3)去除全连层，将整个网络变成一个全卷积网络；所述的全卷积网络可以对各尺寸输入进行检测。为了使网络能够接受多种尺寸的输入图像，该网络除去了传统网络结构中的全连层，因为全连接层必须要求输入输出固定长度特征向量。将整个网络变成一个全卷积网络，能够对多种尺寸输入进行检测。同时，全卷积网络相对于全连接层能够更好的保留目标的空间位置信息。

基于Darknet-改进。传统Darknet虽然精度足够好，但是模型比较大，网络传输起来比较费时间，因此，本发明提出了一个自己的模型Darknet-改进。而传输网络也正式以Darknet-改进作为先验训练模型训练起来的。

4)采用固定框来预测物体标注框：去除一个池层来提高卷积层输出分辨率，然后修改网络输入尺寸使特征图只有一个中心。

5)使用K-means聚类方法类训练物体标注框。

6)使用预测相对于网格的坐标位置进行直接位置预测。所述使用了预测相对于网格的坐标位置的办法，把真值限制在了0到1之间，利用logistic回归函数来进行这一限制。