[发明专利]基于R2

权利要求书

1.一种基于R²Net的水下鱼类目标检测方法，其特征在于，所述方法包括：

获取训练用水下鱼类图像；

将所述训练用水下鱼类图像输入R²Net模型的复杂网络结构进行训练，得到R²Net模型的复杂网络结构的网络参数；R²Net模型在训练时的复杂网络结构包括：输入特征图按通道数分为多个部分，每个部分具有1×1卷积和BN层，除第一部分以外的其余各个部分还级联有K×K卷积和BN层，各个部分中的K分别为从3开始依次递增的奇数，将各个部分的输出叠拼，叠拼结果再与输入特征图经1×1卷积之后的输出相加，得到最终的输出结果；

根据R²Net模型的复杂网络结构的网络参数，对R²Net模型的复杂网络结构进行等效变换，得到R²Net模型的简化网络结构；R²Net模型的简化网络结构为Kmax×Kmax等效卷积核；Kmax为K的最大值；

获取待检测水下鱼类图像；

将所述待检测水下鱼类图像输入R²Net模型的简化网络结构，得到特征提取结果；

基于特征提取结果进行水下鱼类目标检测，得到水下鱼类目标检测结果；

其中，根据R²Net模型的复杂网络结构的网络参数，对R²Net模型的复杂网络结构进行等效变换，得到R²Net模型的简化网络结构，包括：

将R²Net模型的复杂网络结构中的K×K卷积与BN层简化变换为K×K卷积，变换公式如下：

Out_j＝(In*K′)_j+b_j′

其中，Out_j为第j个等效特征图，In和K分别为输入特征图和原模型卷积核权重，μ_j和σ_j分别为BN层计算所得均值和方差，γ_j和β_j为BN层学习所得的缩放因子和偏差参数，K′_j与b′_j为等效变换后的卷积核与偏差权重参数；

将所得1×1和K×K的级联卷积简化为K×K卷积，简化公式如下：

Out′＝(In*K⁽¹⁾+b⁽¹⁾)*K⁽²⁾+b⁽²⁾

Out′＝In*K′+b′

K′＝K⁽²⁾*TRANS(K⁽¹⁾)

其中，Out′为等价变换后所得特征图，K⁽¹⁾，K⁽²⁾，b⁽¹⁾以及b⁽²⁾分别为级联结构的第一个和第二个卷积核权重及偏执权重；TRANS为转置操作，K′和b′分别为等效简化后的卷积核权重及偏执参数；

将并联的不同大小卷积核利用零填充技术，变换为大小为Kmax×Kmax的卷积核；

利用下式，将并联卷积核进行叠拼操作，进一步简化模型结构：

Concat(In*K⁽¹⁾+b⁽¹⁾，In*K⁽²⁾+b⁽²⁾，......，In*K^(s)+b^(s))＝In*K′+b′；

其中K⁽¹⁾，K⁽²⁾，K^(s)和b⁽¹⁾，b⁽²⁾，b^(s)分别为并联卷积核权重及偏执参数，K′，b′为等效卷积核与偏执参数，In为输入特征图，Concat(·)为叠拼操作；s为通道数；

将简化模型结构中的1×1卷积核进行零填充为Kmax×Kmax尺寸，然后与叠拼操作得到的Kmax×Kmax卷积核进行逐元素相加，完成卷积核参数融合，获得最终单Kmax×Kmax等效卷积核。