[发明专利]一种轻量化改进目标检测方法及检测系统

说明书

本发明属于计算机技术领域，公开了一种轻量化改进目标检测方法及检测系统，利用用改进后的ShuffleNet v2模型替换FSSD中原有的骨干网络；引入加权双向特征金字塔结构替换FSSD中原有的三层特征融合的结构，通过对多层特征进行自顶向下和自底向上的特征融合，使得融合后的特征包含更多的语义信息，进行目标的检测。本发明提出的模型在准确率上相较于基础模型有所提升，而在检测速度上有所下降，在模型的权重大小上也有着一定的增加。通过上述的分析和实验数据的表现可以看出准确率上的提升与本发明提出的改进相符合，同时本发明改进所带来的在检测速度和模型权重大小上的不足也在可预见的范围内。

技术领域

本发明属于计算机技术领域，尤其涉及一种轻量化改进目标检测方法及检测系统。

背景技术

目前，计算机视觉是一个经典的研究领域，致力于利用计算机来完成人类的视觉方面的任务。其中目标检测是该领域中的一项基本的研究方向，该方向主要解决的问题是通过设计相应的算法，让计算机能够针对图片中感兴趣的物体进行定位和识别。随着图像采集设备的发展和设备的计算能力的提升，目标检测的应用和研究所针对的图像的样式更加多样化，图像的分辨率更加大，图像中的场景更加复杂，最重要的是图像的数据量相较于从前更加庞大。作为数据科学中的一员，目标检测需要足够多的数据针对设计好的模型进行训练，大量的图像数据为目标检测提供了相对充足的原始数据，但是原始数据缺乏标注，导致大量数据无法转化为训练数据供模型进行学习

2005年，针对目标检测的竞赛Pascal开始出现，起初评委会仅提供了4个类别的图像，到了2006年增加到了10个类别，次年开始类别增加到了20个；图片数据的数据量也随着时间的推移在增加，到了2012 年训练用的图片达到了11530张并且还延伸出了人体轮廓布局的任务和实例分割的任务。2009年， ImageNet的问世为计算机数据提供了大量的含有标注的图像数据，促进了计算机视觉中多数领域的研究的进展。同时，ImageNet大规模视觉识别挑战赛(ILSVRC)，给各种识别算法提供了竞技的平台和直观的评价指标，这点帮助了研究人员对于自己的方法的性能进行评测，为后续方法的改进和优化提供了指导意义，也促进了学术上的交流。在竞赛的早期，目标检测算法的设计与识别算法的设计类似，都是基于手工提取的图像的特征对图片进行识别和定位，例如Viola-Jones，HOG和DPM。直到2013年AlexNet模型的出现，该模型以其压倒性的优势证明了深度卷积神经网络在计算机视觉的研究上的潜力，奠定了计算机视觉和深度神经网络的结合的基础，也为后来的研究指出了发展的方向，自此目标检测算法从原先基于手工提取图像特征进行检测的方法转变成了基于深度卷积神经网路提取特征进行检测的方法，研究的中心则是围绕着深度卷积神经网路的设计和优化。

2014年前后，基于深度学习的目标检测算法产生了两个分支，一个是以Grishick提出的将区域提议和卷积神经网络结合的方法为基础进行优化和改进的二阶段目标检测方法；另一个是从OverFeat模型直接利用深度卷积神经网络得到的特征进行回归来预测目标的位置和类别的方法得到启发，产生了以YOLO和SSD 为基础继续发展的单阶段目标检测方法。这两个分支共同发展且相互借鉴，使得目标检测算法整体在准确率和检测速度相较于以前的模型有了质的飞越。每年CVPR，ECCV，ICCV三大会议上都会有关于目标检测的新论文发表，针对算法的准确率、检测速度和模型的参数量进行优化。

随着基于深度学习的目标检测算法的发展，如今许多常见的应用的落地都与目标检测算法研究相关，例如：火车站的刷脸进站服务，视频监控的行人检测与识别，码头的无人驾驶汽车等等。这些应用的共同之处是：1、这些应用集合了多种基于深度学习的模型，每个模型负责其最擅长的方面，模型之间协同合作，最后的结果基于多模型联合的计算结果；2、目标检测算法是这些应用中的底层算法之一，负责应用的关键部分。眼下，5G技术的落地和发展，物联网技术将进入大众生活中，对于这之中产生的大量的图像数据的处理和分析，将是目标检测算法面临的新的挑战和发展机遇。