[发明专利]一种应用于嵌入式设备的轻量级目标检测网络及训练方法

说明书

本发明提供了一种应用于嵌入式设备的轻量级目标检测网络及对应的训练方法。检测网络包括主干网络，预测网络，以及连接主干网络和输出端的neck网络。其中主干网络和neck网络在压缩参数量的同时保留了较强的特征表现力，兼顾了检测精度和效率。检测网络将输入图像通过主干网络映射成不同尺度的特征图用于检测不同尺寸的目标，并通过上采样将小尺寸特征图与近邻的大尺寸特征图融合以补充大尺寸特征缺乏的语义信息。将融合后的特征图利用neck网络中的轻量级残差块进一步提高特征表现后预测输出目标中心位于特征图每一个像素点的概率大小，以及相应的中心和宽高的偏移量。

技术领域

本发明属于计算机视觉中的目标检测领域，尤其涉及一种适用于嵌入式设备端的轻量级目标检测网络和相应的训练方法。

背景技术

随着深度学习技术的出现，目标检测作为计算机视觉领域的热门研究方向近年来取得了巨大的进步。相较于传统目标检测技术，基于深度神经网络的目标检测具有速度快，精度高的特点。从最初如Fast/Faster RCNN这样的双阶段检测网络，发展到今天如ssd,yolo等单阶检测网络，检测网络在保证检测精度的同时，检测效率有着显著的提高。

深度神经网络的主要组成部分为卷积，池化和激活，通过将其组合构造出一系列的非线性变换。网络的参数量越多，意味着更强的非线性表达能力及泛化能力，同时参数的增加会进一步提高计算的复杂度，因此深度学习的良好性能往往需要设备强大的计算能力作为支撑。有限的算力和存储空间导致主流的深度神经网络无法在嵌入式设备上运行。

由于神经网络的计算复杂度高，对于设备的计算能力有着严苛的要求，故目标检测网络通常需要在搭载了高性能gpu的设备(如云端服务器)上运行。但是在当下网络带宽有限，又要满足实时响应的前提下，对实时性要求较高的应用无法依靠基于云端的处理方式。相较之下嵌入式设备具有计算不依靠于网络，没有计算延迟等特点。

然而嵌入式设备的计算能力有限，在嵌入式设备上运行实时目标检测依赖于高效的神经网络，这意味着嵌入的神经网络必须经过结构简化和参数压缩。

发明内容

本发明的目的在于提供一种应用于嵌入式设备的轻量级目标检测网络及相应的训练方法，以实现嵌入式设备(如摄像头)对于目标的实时检测及定位。

第一方面，本项发明提供一种应用于嵌入式设备的轻量级目标检测网络，该网络由主干网络，neck网络和预测网络组成；

其中，检测网络中主干网络的输入对象为预处理后的待测图像，主干网络将输入图像映射到多个尺寸的特征图，用于检测不同尺寸的目标。neck网络由多个轻量级残差块组成，neck网络的输入端连接主干网络的输出端，其依次融和尺寸近邻的特征图，内部每个残差块在后续进一步增强对应尺寸特征图的特征表现力，最后将融合后的特征图输出到后续的预测网络进行结果预测。

主干网络由数个双路密集模块组成，对于输入的特征图，分别获取其在不同尺度感受野下的特征，网络每一个输出层输出的特征图尺寸分别为上一个输出特征图尺寸的1/2。neck网络将当前尺寸的特征图通过近邻插值的方式进行特征上采样后与对应的上一层输出的特征图通过拼接的方式融合。预测网络与传统单阶目标检测的预测网络类似，是一个双路网络，两条支路分别预测目标的类别以及相对于当前像素位置，目标的中心和宽高的偏移量。

最后通过使用非极大值抑制处理所有的预测结果，过滤不含物体的坐标框和包围相同目标的多个无效坐标框。

作为可选的实现方式，根据检测目标尺寸的分布及检测效率，可以令主干网络输出2-3种尺寸的特征图。

作为可选的实现方式，基于检测目标坐标框的纵横比分布，可以自行调整主干网络输入层的尺寸。

作为可选的实现方式，根据检测目标的尺寸相对于原始图像大小，可令主干网络第一个输出特征图的大小为输入尺寸的1/8或1/4。