[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

说明书

本发明公开了一种基于yolov3的无人机视角下小目标快速检测方法，包括：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；所述模型建立过程为：将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，然后与预测单元所输出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。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于yolov3的无人机视角下小目标快速检测方法，结合模型压缩技术，实现移动端嵌入式设备上的小尺度目标快速检测。

背景技术

无人机目标检测作为一种新兴的技术，在航空图像分析、智能监控、路由检测等方面有着广泛的应用。目标检测近年来取得了很大的进展，特别是随着大规模视觉数据集的发展和计算能力的提高，深度神经网络(DNN)，特别是卷积神经网络(CNN)，在包括目标检测在内的计算机视觉任务中表现出了破记录的性能。然而，由于视角的特殊性目标尺度问题，它仍然是一项具有挑战性的工作。

目前一些优秀的目标检测算法在大型通用的数据集上已经取得非常好的成绩，但是当前的目标检测算法基本上都是针对于自然场景中分布比较稀疏的中大型目标，所以导致对小目标的检测对目前来说仍是一个挑战。小目标由于分辨率较低，携带的信息十分有限，使得在经过多次下采样后小目标的分辨率进一步的降低，信息量少，所以通用的目标器具有对小目标检测精度低的特点。为了加强对小目标的检测，通常解决的一个办法就是利用特征金字塔的思想，将深层具有语义的特征和浅层的细节特征进行融合。浅层特征具有较小的感受野，对小目标的检测较好，而深层次的特征具有较大的感受野，对大尺度目标的检测较好，将不同层次的特征进行融合预测来解决对小目标检测的问题。

其次就是虽然卷积神经网络相比传统的手工设计的特征算子提取的特征更加丰富，模型的泛化能力更强，但是神经网络往往是过参数化的，存在很多参数冗余，冗余的特征使得模型占用更多的资源，比如内存、CPU以及GPU等计算资源，所以在一些有限的硬件资源或对实时性要求较高的场景下，对模型进行压缩是不可避免的。一般模型压缩技术方法主要包括：低秩近似，网络剪枝，权值量化，知识蒸馏，设计更加紧凑的网络等技术。由于现在设计的神经网络中存在大量的尺寸为1x1大小的卷积核，极大限制了使用低秩近似的方法去压缩卷积核的参数量。

发明内容

本发明的目的是提供一种基于yolov3的无人机视角下小目标快速检测方法，利用模型压缩技术，提高模型在端侧的检测速度的同时减少对小尺度目标的漏检率。

为了实现上述任务，本发明采用以下技术方案：

一种基于yolov3的无人机视角下小目标快速检测方法，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。

进一步地，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。