[发明专利]一种基于GAN和YOLO-v5的目标分割检测方法

说明书

本发明公开了一种基于GAN和YOLO‑v5的目标分割检测方法，包括：获取目标检测数据集并标注目标真实框；筛选目标检测数据集中的图片，将符合训练要求的图片归为训练集，将不符合的采用GAN进行训练，直到符合训练要求后归为训练集；采用K‑NN算法对训练集中的图片进行分割；将分割后的图片输入YOLO‑v5模型进行训练，采用锚框融合算法获得最终预测框和所述最终预测框的置信度，并通过损失函数进行反向传播调节权重参数以获得最终训练模型。该方法可充分利用数据集，获得检测目标的全部信息，提高目标检测精度，具有较好的泛化能力。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于GAN和YOLO-v5的目标分割检测方法。

背景技术

近年来，随着深度学习的快速发展，目标检测算法也取得了重大突破，现有目标检测算法可以分为两类，一类是two-stage，需要先产生目标候选框，也就是目标位置，然后再对候选框做分类与回归，如基于Region Proposal的R-CNN系算法(R-CNN、Fast R-CNN、Faster R-CNN等)。另一类是one-stage算法，如Yolo，SSD等，仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。

但现有目标检测算法依赖于大量高清晰度、高信息量的数据集训练，如果数据集不够清晰、信息量不足，很容易造成训练模型精度低、欠拟合。例如，对于海洋来说，作为一个国家的重要国土资源，富含大量的生物资源、化石能源、矿产资源、动力资源等，因而经常面临来自其他国家船舶的干扰甚至攻击，通过利用无人机、无人艇等无人设备对目标进行实时监测可以大幅度增加海洋安全性，因此如何提高目标检测准确度显得越来越重要。目前大部分目标数据集，如海洋目标，数据不多、清晰度不够高而且海洋和陆地混合，应用现有的目标检测算法对目标进行检测的效果并不理想，往往造成陆地误识别为目标，且通过非极大值抑制算法(Non-Maximum Suppression，简称NMS算法)自适应计算不同训练集中的最佳锚框值，只会根据置信度得分选择一个锚框，不会考虑其他锚框的影响，获得的最佳锚框值的检测准确度不高。因此，提出一种具有高目标检测精度及泛化能力的目标检测方法。

发明内容

本发明的目的在于针对上述问题，提出一种基于GAN和YOLO-v5的目标分割检测方法，可获得检测目标的全部信息，大大提高目标检测精度，具有较好的泛化能力。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于GAN和YOLO-v5的目标分割检测方法，包括如下步骤：

S1、获取目标检测数据集并标注目标的真实框；

S2、筛选目标检测数据集中的图片，将符合训练要求的图片归为训练集中准备训练，将不符合训练要求的图片采用生成对抗网络进行训练，直到符合训练要求后归为训练集中准备训练；

S3、采用K-NN算法对训练集中的图片进行分割；

S4、将分割后的训练集中的图片输入YOLO-v5模型进行训练，YOLO-v5模型包括输入端、Backbone网络、Neck网络和Prediction模块，并执行如下步骤：

S41、将输入端预处理后的图片输入Backbone网络以获得不同尺度的特征图；

S42、将不同尺度的特征图输入Neck网络进行特征提取；

S43、采用Prediction模块对提取特征进行预测并输出多个预测框和对应预测框的置信度；

S44、通过锚框融合算法获得最终预测框和最终预测框的置信度，锚框融合算法计算如下：