[发明专利]一种结合轻量化网络的目标检测方法

权利要求书

1.一种结合轻量化网络的目标检测方法，其特征在于，包括以下的步骤：

步骤1、生成数据集：首先获得一组包含当前市场上各种常见的UAV图像，与提前已经采集好的复杂城市背景图像简单进行相加操作，并记录下无人机所在的位置作为标签，这样就得到了复杂城市背景下的无人机图像，划分为训练集和测试集；

步骤2、数据预处理：为了使得图像更加符合格式要求和使样本多样性，对训练数据集进行图像增强操作，包括水平翻转和几何变化；

步骤3、构建基于轻量化网络的多尺度特征检测网络，网络框架主要包含了幽灵网络骨干部分(Ghost backbone)、颈部部分(Neck)和预测部分(Prediction)三个部分，幽灵网络骨干部分(Ghost backbone)部分采用一系列的幽灵网络骨干部分(Ghost bottleneck)堆叠而成，颈部部分(Neck)部分就是一个完整的特征金字塔(FPN)形式，包含了五个特征尺度，预测部分(Prediction)部分根据设置的锚点(Anchor)在各层级特征图上对目标进行预测；

步骤4、设计基于轻量化网络的多尺度特征检测网络的损失函数：采用Focal Loss通过赋予正负例样本不同权重的方法指导模型的训练，在五个特征尺度预测计算损失，总损失为五个特征尺度损失之和，使用Adam优化器对网络进行学习优化；

步骤5、根据设置的损失函数指导模型训练，使用步骤1中得到的训练集进行训练网络直到收敛，记录并保存最小损失的模型权重，获得最优的网络模型；

步骤6、多目标检测：利用基于轻量化网络的多尺度特征检测网络进行目标检测，加载已经保存的最优网络模型权重，使用步骤1中得到的测试集进行测试。

2.根据权利要求1所述的一种结合轻量化网络的目标检测方法，其特征在于，步骤1数据获取过程为首先获得一组包含当前市场上各种常见的UAV图像，通过对其进行旋转、尺度缩放等操作后与提前已经采集好的复杂城市背景图像简单进行相加，并记录下无人机所在的位置作为标签，这样就得到了复杂城市背景下的无人机图像，划分为训练集和测试集，生成的训练集共有12100张，其中每张图像都包含了16个姿态、类型和大小不同的无人机，图像的大小为416×416，测试集有1210张，每张图像都包含了8个姿态、类型和大小不同的无人机。

3.根据权利要求1所述的一种结合轻量化网络的目标检测方法，其特征在于，步骤2数据预处理中采用图像增强方法中对训练集进行了数据多样化增强，包含随机水平翻转(Random Horizontal Flip)，几何变化(Geometric Transform)，原本的训练集12100张，通过数据增强等手段可高达20万的数据量。

4.根据权利要求1所述的一种结合轻量化网络的目标检测方法，其特征在于，步骤3构建基于轻量化网络的多尺度特征检测网络，网络框架主要包含了幽灵网络骨干部分(Ghostbackbone)、颈部部分(Neck)和预测部分(Prediction)三个部分，幽灵网络骨干部分(Ghostbackbone)部分采用一系列的幽灵网络骨干部分(Ghost bottleneck)堆叠而成，具体为先后通过1个卷积层(Convolution)，2个幽灵网络骨干部分(Ghost bottleneck)，3个幽灵网络骨干部分(Ghost bottleneck)，9个幽灵网络骨干部分(Ghost bottleneck)，9个幽灵网络骨干部分(Ghost bottleneck)和5个幽灵网络骨干部分(Ghost bottleneck)，然后分别会对应生成{208×208,104×104,52×52,26×26,13×13}五个尺度大小的特征图，Neck部分就是一个完整的FPN形式，将原本的YOLOv3中三个特征尺度扩展为五个特征尺度，具体包含了4个卷积层(Convolution)，4个上采样层(最邻近上采样)和四个add操作，将高层的特征与低层特征相互融合充分利用多尺度信息，预测部分(Prediction)部分根据设置的锚点(Anchor)在各层级特征图上对目标进行预测，具体为每个层级的特征图会先后通过两个卷积层，第1个卷积层后面紧跟着1个批归一化层和1个Leaky ReLU层。