[发明专利]基于R2

说明书

本发明提出一种基于R²Net的水下鱼类目标检测方法、装置及存储介质，涉及目标检测技术领域。在进行水下鱼类目标检测时，首先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；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；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。本发明利用R²Net模型进行水下鱼类目标检测，实现了高精度的快速水下鱼类目标检测。

技术领域

本发明涉及目标检测技术领域，特别是涉及基于R²Net的水下鱼类目标检测方法、装置及存储介质。

背景技术

在水下鱼类目标检测过程中，主干网络为目标检测网络中最为重要的部分。主干网络是目标检测网络中用来负责特征提取的网络，一般用于前端提取不同层次、不同尺度的图像特征，并生成特征图以供后面的网络使用。 Resnet的出现改变了之前的主干网络(如Alexnet、VGG等)在达到一定深度之后继续增加层数导致性能不增反降的缺陷，水下图像存在图像细节特征模糊，可利用特征细节少，目标尺度变化范围大等特点，因此在目标检测网络中需要更加强大的主干网络提取更加深层次的细节特征，增强水下目标检测效果。

Res2net在Resnet原有的残差单元结构中通过添加更小的残差块，增加了每一层感受野的大小，在保持计算负载不增加的前提下，使得网络提取特征能力更加强大。Res2Net是考虑多尺度的一类主干网络，使用该网络进行分类及目标检测均取得很好的效果。

然而，Res2Net将原ResNet结构中的3x3卷积模块替换为考虑多尺度特性的复杂结构，虽然有效提升了模型的检测精度，但模型规模增加，计算参数增多，从而导致模型推理时间增加，严重影响了水下鱼类目标检测的效率。

发明内容

有鉴于此，本发明提出一种基于R²Net(Re-parameterized ResNet)的水下鱼类目标检测方法、装置及存储介质，以实现不降低检测精度条件下的模型轻量化设计，高效的进行水下鱼类目标检测。

为此，本发明提供了以下技术方案：

一方面，本发明提供了一种基于R²Net的水下鱼类目标检测方法，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；