[发明专利]基于关键点的轻量级目标检测方法

说明书

本发明提供了一种基于关键点的轻量级目标检测方法，其特征在于，包括如下步骤：准备数据集，数据清洗、预处理以及数据增强；主干网络的设计；shuffle块设计；条件通道权重块设计；Stage1网络结构设计；Stage2网络结构设计；Stage3网络结构设计；合成网络对输入数据进行训练；本文所提出的网络通过并行多个分辨率分支，进行不同分支间的信息交互，增强语义信息和位置信息，类似于特征金字塔网络，本文网络实现了保持输入图像的高分辨率信息，通过不同分支网络的信息交互来补充由于特征图通道数变化带来的信息损耗。在网络中用深度可分离卷积取代常规卷积核，不仅解决了检测框误匹配的问题，改善了检测精度，还缩小了算法模型尺寸，提升了检测速度。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于关键点的轻量级目标检测方法。

背景技术

目标检测领域的研究目标是区分图像或视频中的目标对象与背景信息，输出目标对象的类别和位置。目标检测的研究历程中，共经历了三次主要的技术迭代。最初传统的目标检测方法，基于训练集图像不同位置滑动不同大小的窗口，选取适当的候选区域，区域选择过程借助穷举策略，滑动窗口设置不同大小、不同宽高比，遍历输入图像中的每个像素。传统目标检测方法泛化能力弱，主要通过手工设计来提取特征，时间复杂度高，滑动窗口的覆盖区域存在冗余，传统目标检测方法包括SIFT和HOG。由于检测对象存在形态多样性、光照变化多样性、背景多样性，手工提取特征对于环境变化没有很好的鲁棒性。目标检测领域技术推陈出新，产生了Fast RCNN、Faster RCNN这类基于候选框的深度学习目标检测算法。深度卷积神经网络能够自适应地、鲁棒地提取特征，Fast RCNN和Faster RCNN将目标定位任务与分类任务分开，称为两阶段目标检测算法。后来，目标检测领域出现了以YOLO(YouOnly Look Once)、SSD(Single Shot MultiboxDetector)为代表的基于深度学习的回归方法，这类算法将目标定位任务与目标分类任务并行处理，称为一阶段目标检测算法。在两阶段的目标检测算法中，串行执行两个任务，一个任务是提取候选区域，另一个任务完成分类候选区域。通过区域候选网络判断前景信息，之后再检测目标的具体位置信息。

如果把提取候选区域任务和分类候选区域任务并行完成，同时实现定位与分类，达到端到端的目标检测，从而实现较快的检测速度。一阶段目标检测算法不涉及候选区域的提取，图像输入网络后，划分网格、合并像素完成对检测目标的特征提取。YOLO算法则舍弃了候选框，算法中嵌入回归策略，单个卷积神经网络结构同步获取到物体位置、类别、置信概率三类信息。

目标检测属于位置敏感型任务，过去的研究中，网络通过维持高分辨率特征图来提高位置信息的精确度，借助下采样操作得到强语义信息，再借助上采样操作恢复位置信息，但先下采样、再上采样的过程中可能导致大量有效信息的丢失。

常规卷积网络通过不断下采样来减小特征图尺寸，特征图的分辨率也因此降低。特征图分辨率降低对于图像分类任务而言，影响小，因为待分类目标明显，任务中不需要给出待分类目标的位置信息。但特征图分辨率降低会影响目标检测这类任务，因为基于小分辨率特征图得出大分辨率特征图中的像素坐标较难实现。对于位置敏感型任务，性能表现优越的模型都是通过恢复高分辨率，不管是反卷积上采样操作，还是在浅层和深层网络间使用跳跃连接进行特征融合，这些措施都是为了恢复高分辨率。

发明内容

针对上述问题，本发明提出一种基于关键点的轻量级目标检测方法，主要解决背景技术中的问题。

本发明提出一种基于关键点的轻量级目标检测方法，包括如下具体步骤：

S1、准备数据集，数据清洗、预处理以及数据增强；

S2、主干网络的设计；

S3、shuffle块设计；

S4、条件通道权重块设计；

S5、Stage1网络结构设计；