[发明专利]一种面向嵌入式实时视觉目标检测的轻型网络构建方法

说明书

本发明公开了一种面向嵌入式实时视觉目标检测的轻型网络构建方法，包括如下步骤：步骤1)构建基于通道注意力机制多尺度特征融合的三分支输出骨干网络模块Backbone‑Tiny；步骤2)构建轻型金字塔特征融合网络模块PAN‑Tiny；步骤3)构建轻型检测头网络模块Head‑Tiny；步骤4)按照骨干网络模块Backbone‑Tiny、金字塔特征融合网络模块PAN‑Tiny、检测头网络模块Head‑Tiny的顺序，将步骤1)、步骤2)、步骤3)所描述的三个局部子网络模块依次串联成为目标检测网络整体。本发明的方法能够大幅度提升骨干网络模块特征提取有效性的同时，显著降低特征金字塔融合网络模块的计算量。

技术领域

本发明涉及图像目标检测与识别技术，计算机视觉技术，尤其涉及一种面向嵌入式移动终端设备环境下的实时图像目标定位与识别(检测)深度学习模型的结构轻量化设计方法。

背景技术

所谓嵌入式移动终端设备环境下的实时图像目标物体检测模型，是指脱离上位PC机，在移动设备终端环境下，利用嵌入式技术开发能够处理超过每秒40帧以上的图像目标检测任务的卷积神经网络模型。该技术对工业、医学、国防、刑侦等领域的应用提供着重要的技术支持。

目前，常见的方法是YOLO系列的目标检测模型。如YOLOv3、YOLOv4、YOLOv4-Tiny等。现有的方法常常受限于特征提取有效性与处理速度不平衡的问题。即，高精度引起处理速度的显著下降、高速度引起检测精度的面明显下降。

发明内容

发明目的：为了解决上述问题，本发明的主要目的在于提供一种面向嵌入式实时视觉目标检测的轻型网络构建方法，其先进性表现为：通过设计通道注意力机制调节的多尺度融合分支特征提取单元SE-SPP-Shuffulenet提高骨干网络的特征有效性，保证多尺度目标检测精度。然后，提出超轻金字塔融合网络PAN-Tiny的结构，最大限度降低计算量，减轻模型参数体量。最后，简化检测头网络结构进一步提升目标检测速度。实验表明，本发明提出轻型网络可以在保证目标检测精度的同时，大幅度地提升计算速度，充分满足普通嵌入式移动设备环境下对于图像目标检测的准确性和实时性能的要求。

技术方案：为达到上述目的，本发明的技术方案是：一种面向嵌入式实时视觉目标检测的轻型网络构建方法，包括如下步骤：

步骤1)构建基于通道注意力机制多尺度特征融合的三分支输出骨干网络模块Backbone-Tiny；

步骤2)构建轻型金字塔特征融合网络模块PAN-Tiny；

步骤3)构建轻型检测头网络模块Head-Tiny；

步骤4)按照骨干网络模块Backbone-Tiny、金字塔特征融合网络模块PAN-Tiny、检测头网络模块Head-Tiny的顺序，将步骤1)、步骤2)、步骤3)所描述的三个局部子网络模块依次串联成为目标检测网络整体。

进一步的，所述的步骤1)的具体内容为：

三分支输出骨干网络Backbone-Tiny共输出大、中、小三个尺度的图像特征。其网络结构依次由1个卷积层、1个最大池化层、和3个不同尺度的分支特征提取单元SE-SPP-Shufflenet串联组成。每个尺度的SE-SPP-Shufflenet单元均由SE-Shufflenet网络和SPP多尺度池化网络两个部分串联组成。即，SE-Shufflenet的输出作为SPP的输入，而SPP的输出作为SE-Shufflenet网络的最后输出。且大尺度SE-Shufflenet网络的输出，作为中尺度SE-Shufflenet网络的输入；中尺度SE-Shufflenet网络的输出，作为小尺度SE-Shufflenet网络的输入；从而构成3种不同尺度的分支特征提取单元SE-SPP-Shufflenet之间的串联结构。而三个尺度的SE-SPP-Shufflenet网络输出特征图，即为三分支输出骨干网络Backbone-Tiny的三个不同尺度的特征输出。