[发明专利]无锚点实时图像目标检测方法、系统、设备及介质

说明书

本发明涉及一种无锚点实时图像目标检测方法、系统、设备及介质，方法包括：获取训练图像数据集；以特征提取网络CA‑Fused EfficientNet为骨干网络，并结合特征融合模块PAN和无锚点检测器GFL，构建检测模型；通过训练图像数据集对检测模型进行训练，得到训练后的检测模型；将含有待检测目标的图像作为输入，通过训练好的检测模型对图像中的待检测目标进行检测。本发明可以广泛应用于实时图像目标检测中。

技术领域

本发明是关于一种结合注意力机制的无锚点实时图像目标检测方法、系统、设备及介质，涉及计算机视觉技术领域。

背景技术

随着深度学习技术的快速发展，目标检测作为计算机视觉中的一个重要分支已经取得了令人瞩目的进展。尽管大量的目标检测器能够实现很好的准确性和实时推理， 但是这些模型大部分需要庞大的计算资源，因此不能部署在边缘设备上，难以满足实 际应用的需要。

目前，轻量化目标检测网络大多是一阶段检测器，如YOLO和SSD。与两阶段检 测器相比，一阶段检测器在运行速度上有明显的优势，因为它能在回归中定位目标， 并能直接对目标进行分类。当与轻量级骨干网络(例如MobileNets和ShuffleNets)集 成时，改进的一阶段检测器可以直接在资源受限的设备中实现实时目标检测。虽然轻 量级的一阶段检测器在资源受限的移动平台上进行推理计算，但是检测精度还不能满 足实际应用的需要，还需要改进提高。

发明内容

针对上述问题，本发明的目的是提供一种能够提高检测精度的结合注意力机制的无锚点实时图像目标检测方法、系统、设备及存储介质。

为实现上述目的，本发明采取以下技术方案：

第一方面，本发明提供的一种无锚点实时图像目标检测方法，包括：

获取训练图像数据集；

以特征提取网络CA-Fused EfficientNet为骨干网络，并结合特征融合模块PAN和无锚点检测器GFL，构建检测模型；

通过训练图像数据集对检测模型进行训练，得到训练后的检测模型；

将含有待检测目标的图像作为输入，通过训练好的检测模型对图像中的待检测目标进行检测。

所述的无锚点实时图像目标检测方法，进一步地，CA-Fused EfficientNet引入CA注意力机制，设计了CA-MBConv bottleneck，CA注意力机制对同一张特征图在水平和 竖直方向使用两次全局平均池化，沿两个空间方向聚合特征，能够在二维空间更加准 确地定位目标位置。

所述的无锚点实时图像目标检测方法，进一步地，CA-Fused EfficientNet引入vanilla 卷积，设计了CA-vanilla MBConv bottleneck，在CA-Fused EfficientNet的第0层至第2 层使用CA-vanilla MBConv bottleneck，以提高特征提取性能。

所述的无锚点实时图像目标检测方法，进一步地，CA-Fused EfficientNet网络包括 7个特征提取层stage0～stage6，其中，stage0～stage2包括CA-vanilla MBConvbottleneck， stage3～stage6包括CA-MBConv bottleneck。

所述的无锚点实时图像目标检测方法，进一步地，CA-Fused EfficientNet网络的特 征提取过程为：

输入图像被步长为2，大小为3×3的vanilla卷积进行滤波和下采样；

在satge0通过步长为1的3×3CA-vanilla MBConv bottleneck进行特征提取，在stage1和stage2通过步长为2的CA-vanilla MBConv bottleneck进行特征提取和下采样；