[发明专利]一种结合轻量化网络的目标检测方法

说明书

本发明提供一种结合轻量化网络的目标检测方法，旨在解决UAV这种小目标检测速度和精度的权衡问题，还实现了网络模型的轻量化，为实现嵌入式平台上的目标检测提供了可能。根据无人机具有体积小，飞行速度快等特点，本发明提出了一种结合轻量化网络改进的快速目标检测算法。对三个特征尺度进行检测的YOLOv3算法扩展为五个特征尺度来检测，提高了无人机等小目标场景的检测性能。结合轻量化网络中的Ghost模块构建了轻量的特征提取网络，为了进一步提升网络的检测性能，加入通道注意力机制抑制了不利的信息。本发明中生成了一个城市背景的UAV数据集用于训练。实验结果表明，本发明提出的方法能有效提高UAV在复杂城市背景下的检测精度和满足实时性要求。

技术领域

本发明涉及深度学习、目标检测领域，具体涉及一种结合轻量化网络的目标检测方法。

背景技术

随着科学技术的发展，各种无人机相继出现，其中民用无人机发展迅速，广泛应用于各个领域，无人机的应用能大幅度降低高空作业的成本，在监视和拍摄等领域有着独特的优势，无人机技术在给人民生活带来方便的同时也给国家和社会带来了很多潜在的威胁，比如，近年来，很多的无人机事故造成了飞机无法起飞或者被迫逼停的情况，无人机的监管成为了社会关注的焦点。无人机具有体积小，飞行速度快、旋转性高等特点，传统目标检测方法难以达到要求，基于深度神经网络的目标检测方法展现了其强大的检测性能。近年来深度学习的高速发展为目标检测算法注入了新的血液，自从AlexNet在2012年的ImageNet大赛中轻松夺冠以来，各种基于深度神经网络的目标检测算法层出不穷，并取得了令人惊叹的优异成绩。我们可将基于深度卷积神经网络的目标检测算法大致分为两类，一类是基于锚点(Anchor based)的目标检测算法，另一类是没有锚点(Anchor Free)的方法。基于Anchor based的方法会以锚点为中心先生成大量的候选目标框，然后计算每一候选框包含目标的概率，这种方式会产生一定的计算复杂度，还会产生正负例样本不均衡的情况，这一类代表性方法有RCNN、Faster-RCNN两阶段的算法和YOLOv3、SSD系列等的一阶段算法。Anchor Free的方法则省略了生成候选框的步骤，直接预测和回归得到目标框的位置，这大大减少了计算量，这种方法简单且高效，并且也在近两年之内逐渐发展为一种主流。比如有CornerNet、CenterNet、FCOS和EfficientDet等。

尽管很多算法都在检测准确性和实时性上做出了重大的改进，但还是存在很大的不足，并没有真正做到速度和精度的权衡，在边缘端部署和嵌入式平台上运作的实际应用中还有很大的升值空间，结合轻量化网络能够在保证精度不会下降的同时，大大减少计算量，这也为基于深度学习的目标检测算法实现工程落地提供了可能。

无人机具有体积小，飞行速度快等特点，这给无人机的检测和监管工作带来了一定的挑战，针对这一问题，本发明提出了一种结合轻量化网络改进的快速目标检测方法。首先，将原本在三个特征尺度进行检测的YOLOv3算法扩展为五个特征尺度来检测，提高了无人机等小目标场景的检测性能。其次，五个特征尺度进行检测带来了略微计算量的增加，结合轻量化网络中的Ghost模块构建了轻量的特征提取网络，应用一系列线性变换等廉价操作以较少的参数生成更多的特征图，大大减少了计算量。为了进一步提升网络的检测性能，加入通道注意力机制抑制了不利的信息。另外，在本发明中制作了一个基于城市背景的UAV数据集，用于训练和测试。实验结果表明，本发明提出的改进方法能有效提高UAVs 在复杂城市背景下的检测精度和满足实时性要求，实现了目标检测算法轻量化，为实现嵌入式平台上的目标检测提供了可能。

发明内容

本发明要解决的技术问题是：提供了一种结合轻量化网络的目标检测方法，以解决无人机的检测和监管工作具有很大难度的问题，实验证明本发明提出的方法能有效提高UAVs在复杂城市背景下的检测精度和满足实时性要求，实现了目标检测算法轻量化，为实现嵌入式平台上的目标检测提供了可能。

本发明采用的技术方案如下：一种结合轻量化网络的目标检测方法，该方法步骤为：