[发明专利]一种选择池化核结构的无人机目标检测方法

说明书

本发明提供一种选择池化核结构的无人机目标检测方法，提出一种新的池化方法——选择池化核的最大池化方法，通过多个不同大小的池化核分别对输入特征进行池化操作，并将不同的池化输出进行按通道维度求和，随后在通道维度上求均值，经过多个全连接层、Softmax层获得不同池化输出对应不同通道的选择权值。将选择权值与对应的池化输出进行相乘，随后将乘以选择权值得到的不同特征以及所提结构的原始输入特征进行按通道残差相加，最终获得选择池化核的池化输出，因此能够有效提高池化运算的特征提取能力。本发明将新的池化方法融入到无人机目标检测中，能够极大提高无人机多目标检测模型的训练速度核识别的精度。

技术领域

本发明涉及无人机多目标检测技术，特别涉及基于选择池化核SPK的最大池化技术。

背景技术

深度多目标检测神经网络结构种类繁多，其由多种不同的基础网络层结构构成，如全连接层、卷积层、激活层、。在实际目标检测工程应用中，通过简单的全连接层或卷积层结构获得的特征表征能力较弱，容易受到来自其他因素的影响，导致目标检测模型的准确性和稳定性较差，目标检测任务中目标的特征提取成为一项艰巨的任务。

特征的池化运算操作是通过给定大小的池化核，并且按照给定的步长大小移动池化核对原特征矩阵进行池化运算操作，最终获得池化输出新特征。相比较于神经网络的其他结构，如：全连接网络层FC、卷积网络层、批归一化Batch Normalizer网络层等，池化网络层具有多项优点：(1)能够有效降低特征维度、去除特征冗余信息。通过给定池化核移动步长对特征矩阵进行最大或平均池化运算，能够缩小特征维度。(2)对特征进行压缩。在缩小特征维度的同时，特征得到进一步的压缩，经过池化后的特征具有更强的特征表征能力。(3)简化网络复杂度、减小计算量、减小内存消耗等具有重要的意义。通过池化运算后，特征矩阵得到压缩，模型参数数进一步缩小。因为这些优点，神经网络的池化结构的设计近年来成为图像分类、目标检测等计算机视觉领域的一项研究热点，研究主要集中在：如何设计出具有更强的特征提取能力的池化层结构，提高模型的特征捕捉能力、计算效率和精度。

目前基于最大池化和平均池化等方法的特征池化，所完成的特征提取重构效果较差，导致在无人机目标检测神经网络中采用这类池化结构的目标检测准确度较低，模型训练收敛速度较慢，越来越难以满足现今的生产要求。

发明内容

本发明要解决的技术问题是，为提高无人机多目标检测的精度和模型训练的速度，提供一种基于选择池化核SPK的最大池化方法来进行无人机目标检测。

本发明为解决上述技术问题采用的技术方案是，一种选择池化核结构的无人机目标检测方法，包括以下步骤：

1)通过无人机航拍采集图像数据集，并将采集的数据集划分为训练数据集和测试数据集；

2)构建目标检测模型，并利用训练数据集训练目标检测模型；其中，目标检测模型中的池化处理通过选择池化核SPK实现：

(1)选择池化核SPK接收到输入特征F_in，F_in∈R^C×W×H，R表示实数域，C表示输入特征的通道数；W表示输入特征的宽；H表示输入特征的高；

(2)利用三个不同尺寸的最大池化层分别对输入特征F_in进行最大池化运算，分别获得U₁、U₂、U₃三个池化输出特征；其中U_i∈R^C×W×H,i＝1,2,3；

(3)将U₁、U₂、U₃三个池化输出特征按特征通道维度进行累加获得累加特征

(4)对累加特征按输入特征的通道数C求均值得到均值特征S，S∈R^C×1×1，均值特征S输入至隐层节点数为L的全连接网络层得到特征Z，Z∈R^L×1×1；