[发明专利]一种基于yolov3的无人机视角下小目标快速检测方法

权利要求书

1.一种基于yolov3的无人机视角下小目标快速检测方法，其特征在于，包括以下步骤：

获取待检测场景的图像，输入到训练好的小目标检测模型中，输出对小目标的检测结果；

所述小目标检测模型的建立过程包括：

将YOLOv3网络的主干网络Darknet53中的第二组残差块输出的4倍下采样的特征图上添加一个预测单元，该预测单元包括两个依次连接的残差单元；将主干网络Darknet53中第三组残差块输出8倍下采样的预测分支所输出的特征图，先进行2倍的上采样操作，然后与第二组残差块之后的预测单元所输出的4倍下采样的特征图进行特征融合操作；在YOLOv3网络的第2组残差块输出的特征图后再添加2个依次连接的残差单元，从而建立小目标检测网络；

利用预处理后的数据集训练所述小目标检测网络，然后对训练后的小目标检测网络进行网络剪枝，得到所述小目标检测模型。

2.根据权利要求1所述的基于yolov3的无人机视角下小目标快速检测方法，其特征在于，所述残差单元包括卷积核大小分别为1*1和3*3的两个卷积层。

3.根据权利要求1所述的基于yolov3的无人机视角下小目标快速检测方法，其特征在于，所述数据集的预处理过程包括：

对于数据集中的图像，使用多次复制、粘贴小目标的方式以提高小目标样本的数量；

对数据集中的图像采用镜像反转，随机裁剪，随机旋转，随机缩放以及添加高斯噪声的方法进行数据增强。

4.根据权利要求1所述的基于yolov3的无人机视角下小目标快速检测方法，其特征在于，对所述小目标检测网络进行训练时，所采用的损失函数如下：

其中第一项是网络预测所产生的各项损失，x,y表示的训练内的输入以及对应的target，W代表的是模型的训练权重；第二项g(·)代表的是对γ因子的稀疏惩罚项，λ是权衡这两项损失的超参数。

5.根据权利要求1所述的基于yolov3的无人机视角下小目标快速检测方法，其特征在于，在训练模型的过程中，首先将YOLOv3网络的主干网络在分类数据集Imagenet上进预训练，使用交叉熵损失作为损失函数通过反向传播更新网络的权重；接着运用迁移学习的思想，将训练好的分类网络的部分权重作为小目标检测网络的主干网络的权重，然后数据集进行训练；损失函数包括两个部分，分别是分类损失和位置损失，对于分类损失采用交叉熵作为损失函数，位置损失则采用均方误差来作为损失函数；在训练的过程中，采用随机梯度下降方法来优化损失函数，采用余弦退火的方式来调整学习率，学习率初始化为0.001，Batch-size的大小是64，最大迭代次数epochs设置为10000。

6.根据权利要求1所述的基于yolov3的无人机视角下小目标快速检测方法，其特征在于，采用训练后的小目标检测网络以及利用在卷积层后的批量归一化层中的γ系数去衡量作为衡量卷积核重要性的标准，进而对卷积核进行裁剪；批量归一化层中的参数定义如下：

其中，z_in代表前一层的输出，μ_B代表前一层输出的均值，σ_B代表前一层输出的方差，ε是趋于0的额外添加项；将中心化的结果进行线性变换再作为下一层卷积层的输入z_out，其中γ和β是用来施以线性变换的两个参数。