[发明专利]一种基于激活函数改进的YOLOv3算法

权利要求书

1.一种基于激活函数改进的YOLOv3算法，包含以下步骤：

步骤一：下载当前目标检测领域通用数据集PASCAL VOC数据集，保证与该领域通用数据集保持一致，以达到比对效果，检测本发明方法性能；

步骤二：以改进的激活函数为基础，重建YOLOv3网络结构；

步骤三：在PASCAL VOC数据集对上述模型进行训练；

步骤四：对比经典的YOLOv3算法，分析测试结果。

2.根据权利要求书1所述的一种基于激活函数改进的YOLOv3算法，步骤一：下载当前目标检测领域通用数据集VOC数据集，PASCAL VOC数据集提供了20个对象类别；本发明用到的数据集中图片为标注了目标的类别信息p_i及该目标所在的中心位置坐标(x,y)及目标的宽度w和高度h，用矩形框可视化。

3.根据权利要求书1所述的一种基于激活函数改进的YOLOv3算法，步骤二：以改进的激活函数为基础，重建YOLOv3网络结构；

首先，对网络的初始权重进行随机化，使其服从高斯正态分布，然后输入一张RGB图片，这张图片可以表示为a×a×3的矩阵形式，其中a为图片的宽度和高度；

随后，输入矩阵会经由下面构建的网络结构，由52个卷积层组成，分为三个阶段，即三个不同尺度的输出；具体如下，其中“×”代表乘积：

通过第1层卷积层，卷积核尺寸为3×3，步长为2，个数为32，得到208×208×32的特征图输出；进入第2层卷积层，卷积核尺寸为3×3，步长为1，个数为32，得到208×208×32的特征图输出，以此类推；依据网络图中的各层不同的卷积核，分别进入三个不同阶段依次得到52×52×256的特征图、26×26×512的特征图和13×13×1024的特征图，然后进入特征融合层1，2，3继续进行特征融合操作，分别如下：

特征融合层1是一个卷积模块，包含5步卷积操作，卷积核尺寸及个数依次为1×1×128、3×3×256、1×1×128、3×3×256和1×1×128，步长均为1，得到52×52×128的特征图，然后进行3×3×75和1×1×75的卷积操作，最终得到52×52×75的特征图1；

特征融合层2是一个卷积模块，包含5步卷积操作，卷积核尺寸及个数依次为1×1×128、3×3×256、1×1×128、3×3×256和1×1×128，步长均为1，得到26×26×128的特征图，然后进行3×3×75和1×1×75的卷积操作，最终得到26×26×75的特征图2；

特征融合层3是一个卷积模块，包含5步卷积操作，卷积核尺寸及个数依次为1×1×128、3×3×256、1×1×128、3×3×256和1×1×128，步长均为1，得到13×13×128的特征图，然后进行3×3×75和1×1×75的卷积操作，最终得到13×13×75的特征图3；

其中，每个卷积层分别包含3个操作：

第一步：对输入该层的特征图矩阵做卷积运算；

第二步：将上一步得到的卷积结果进行批量归一化处理，将数据全部归一化为[0,1]之间，得到归一化之后的二维矩阵，有利于加快训练速度；

第三步：将上一步得到的归一化之后的二维矩阵作为激活函数的输入，得到该层的最终输出；

激活函数的公式如下：

y＝x×tanh(ln(1+e^x))

其中x是上一步得到的归一化之后的二维矩阵，tanh()是双曲正切函数，得到的y是每个神经元经过激活函数后的计算值；将非线性特性的激活函数引入到本发明的网络中，这样会保证输入输出之间是非线性映射关系，而不是简单的线性组合的关系，从而能够保证网络的学习能力；

特征提取模块的输出为三个特征矩阵，这三个特征矩阵的维度分别为52×52×75、26×26×75和13×13×75，其中52×52×75的特征矩阵中每一个神经元的感受野是最小的，可以负责检测原始输入图像中的小目标，同理，13×13×75的特征矩阵中每一个神经元的感受野是最大的，可以负责检测原始输入图像中的大目标；这样进行多尺度预测，可以避免小目标漏检的情况；

其中以13×13×75特征图为例，第一个维度13代表图片中横向像素点的个数，第二个维度13代表图片中纵向像素点的个数，第三个维度75代表感兴趣目标特征数，包含3个尺度的信息，每个尺度的信息又包含25个信息点，25个信息点分别为预测框的4个坐标信息t_xi，t_yi，t_wi，t_hi、预测置信度和类别概率其中类别信息其中(t_xi、t_yi)表示第i个预测框中心点的坐标参数值，(t_wi、t_hi)表示第i个预测框宽和高的参数值，预测置信度表示第i个预测框包含目标的概率，类别概率为多维向量，表示了第i个预测框的目标是某一类别的概率；需要注意的一点是，t_xi，t_yi，t_wi，t_hi这四个参数是相对位置坐标，需要转化为最终在原始图片中的实际坐标；转换的公式如下：

其中，t_xi，t_yi，t_wi，t_hi是预测的相对坐标值，p_w、p_h表示预测框对应锚框的宽度以及高度，c_x、c_y表示预测框相对图片左上角位置坐标的偏移量，表示预测框中心点实际坐标，表示预测框的实际宽度以及实际高度。