[发明专利]一种提升小目标检测精度的轻量级目标检测方法

说明书

本发明公开了一种提升小目标检测精度的轻量级目标检测方法，将EfficientDet模型中BiFPN结构改进为BmFPN，代替YOLOv5原有的PANet作为特征网络实现特征融合，加强了对底层特征信息的提取，对各层特征图加入权重机制。在损失函数中引入CIoU代替原GIoU，其中的长宽比影响因子使得目标框回归变得更加稳定，尤其当IoU为零时，损失函数更倾向于向重叠区域增多的方向优化。本发明网络结构尺寸小、检测速度快、精度高，完全满足实时性场景的要求，有非常高的实用价值。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种提升小目标检测精度的轻量级目标检测方法。

背景技术

随着目标检测技术的迅猛发展，其应用遍布各行各业。遥感图像大多产生自飞机和卫星拍摄，其内可识别目标包括湖泊、森林、飞机、车辆、桥梁、建筑物等物体，其目标识别广泛的应用于农业产值测算、灾害监测、城市建设规划等领域。在军事战争中，各类目标的检测和定位可以将海量遥感数据快速转化为目标情报，有利于战场形势剖析、锁定攻击目标位置，进而可以制定精准且及时的军事行动。因此对于遥感图像中目标的实时检测对社会和经济发展具有重要的意义。在目标检测算法方面，YOLO作为one-stage算法的代表因为其实时性再各领域得到了很大程度的应用。初代YOLO算法由Joseph Redmon等人在2016年提出，该检测方法将生成候选区域这一阶段舍去，把特征提取、分类和回归放在一个卷积网络内，直接使用网络最顶层的特征图评估类别概率。在速度和精度上可以达到较高的平衡的YOLOv5算法由Glenn等人在2020年6月提出，该算法通过设置灵活的配置参数，得到不同复杂度的模型。其检测速度快、模型尺寸小等特点，使其可以在实时性高的场景需求下，完成在移动端的快速嵌入部署。其输入端采用了MixUP、CutMix等多图片融合、自适应图片缩放、DropBlock等模拟图片遮挡的数据增广算法。其主干网络部分先后共进行5次下采样，主要模块为Focus和CSP结构。其中Focus用来实现切片，在减少计算量的同时，最大程度的减少信息损失而进行的下采样操作；CSP结构分为两种：一种应用于Backbone主干网络提高卷积神经网络的学习能力，另一种则应用于Neck中加强网络特征融合。其Neck结构中引用了扩大感受野的SPP模块和增强多通道特征之间交流的PANet实现特征的跨层融合。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种提升小目标检测精度的轻量级目标检测方法。

本发明为解决上述技术问题采用以下技术方案：

一种提升小目标检测精度的轻量级目标检测方法，用特征网络BmFPN代替YOLOv5结构中的PANet作为特征网络实现特征融合、形成改进后的YOLOv5结构，并基于该改进后的YOLOv5结构进行目标检测；

所述特征网络BmFPN的输入层包含C3_in、C4_in、C5_in三层，中间层为C4-mid，输出层包含C3_out、C4_out、C5_out三层，其中：

C3_in、C4_in、C5_in的输入分别为YOLOv5模型主干网络的最后三次下采样特征图结果；

C4-mid是由C5_in经过两次上采样后和C4_in进行加权融合得到；

C3_out是由C4-mid进行两次上采样后和C3_in加权融合得到；

C4_out是由C4-mid、C4_in以及经过3*3卷积后的C3_out加权融合得到；

C5_out是由C5_in和经过3*3卷积后的C4_out加权融合得到。

作为本发明一种提升小目标检测精度的轻量级目标检测方法进一步的优化方案，在所述改进后的YOLOv5结构中，采用CIoU函数代替原有的GIoU函数作为损失函数。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：