[发明专利]多目标检测方法、装置和存储介质

权利要求书

1.多目标检测方法，其特征在于，包括：

建立数据集，所述数据集包括应用场景中不同尺度的检测对象及其标注，所述标注用以确定对象之间的嵌套关系；

模型构建，基于YOLO-V3模型进行修改，将用以特征提取的卷积层与用以对象识别的yolo层之间分别增加空洞卷积层、转置卷积层和可分离卷积层，生成修改后的YOLO-DN模型；

模型训练，定义损失函数，通过K-means聚类方法生成锚框，采用数据集分别训练YOLO-DN模型和YOLO-V3模型；

模型剪枝，在所述空洞卷积层、转置卷积层和可分离卷积层后增加BN层，利用BN层的系数进行通道剪枝和模型压缩；

模型检测，将YOLO-V3模型与YOLO-DN模型的检测结果进行比较，根据比较结果验证YOLO-DN模型的准确度。

2.如权利要求1所述的多目标检测方法，其特征在于，还包括以下步骤：

建立空洞卷积层，所述空洞卷积层基于不同膨胀率的空洞卷积对多尺度的目标进行检测；

建立转置卷积层，所述转置卷积恢复卷积计算的空间分辨率，对粗粒化图像进行卷积操作；

建立可分离卷积层，所述可分离卷积层通过区域和通道的分离实现卷积操作。

3.如权利要求1所述的多目标检测方法，其特征在于，在模型构建过程中，所述卷积层的计算公式为：

其中l表示第l层卷积层，j代表当前卷积层的第j个特征图，示第l-1层卷积层的第j个特征图，表示第1层卷积层第j个特征图的第m个卷积核，Mj表示第j个特征图对应的所有卷积核集合，符号*代表卷积运算，表示第l层卷积第j个特征图的偏置参数，f(x)代表激活函数。

4.如权利要求3所述的多目标检测方法，其特征在于，所述激活函数包括Leaky-ReLU和ELU，其中Leaky-ReLU的计算公式为：

ELU的计算公式为：

5.如权利要求4所述的多目标检测方法，其特征在于，所述模型的损失函数为：

其中，损失函数中的第一行和第二行表示边界框的位置损失，第三行第四行表示置信度误差，第五行表示框的分类误差；x,y,w,h分别表示边界框的中心点横轴坐标，纵轴坐标，宽度和高。C表示置信度，P表示分类概率。

6.如权利要求5所述的一种满意度测评方法，其特征在于，在模型剪枝过程中，所述BN层对样本数据进行归一化处理，进行归一化计算过程如下：

求出样本均值与样本方差，计算公式为：

将样本数据归一化处理，公式为：

其中ε是一个极小值，防止分母为零时计算值为NaN；

对归一化的数据进行重构，令其中γ和β为待学习的参数。

为了不改变数据的分布特征，γ和β应按照如下公式进行计算：

β＝μ_a

7.多目标检测装置，其特征在于，包括：

数据获取模块，所述数据获取模块用以构建数据集，所述数据集包括应用场景中不同尺度的检测对象及其标注，所述标注用以确定对象之间的嵌套关系；

模型构建模块，基于YOLO-V3模型进行修改，将用以特征提取的卷积层与用以对象识别的yolo层之间分别增加空洞卷积层、转置卷积层和可分离卷积层，生成修改后的YOLO-DN模型；

模型训练模块，定义损失函数，通过K-means聚类方法生成锚框，采用数据集分别训练YOLO-DN模型和YOLO-V3模型；

模型剪枝模块，在所述空洞卷积层、转置卷积层和可分离卷积层后增加BN层，利用BN层的系数进行通道剪枝和模型压缩；

模型检测模块，将YOLO-V3模型与YOLO-DN模型的检测结果进行比较，根据比较结果验证YOLO-DN模型的准确度。

8.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至6任一项所述的多目标检测方法中的步骤。