[发明专利]一种优化SSD检测模型训练方法及小目标检测方法

说明书

本说明书一个或多个实施例提供的一种优化SSD检测模型训练方法及小目标检测方法，将SSD检测模型中的VGG16网络作为主网络，再利用残差网络对于特征信息表达能力强的优势，引入ResNet50网络作为辅助主网络，以提升网络的特征表达能力，将VGG16网络卷积后获得的卷积数据与ResNet50网络卷积后获得的卷积数据进行特征融合，将融合后的卷积数据重新进行卷积，直至达到预设次数，然后将融合数据输入到SSD后续网络中进行分类和检测，获得改进的SSD检测模型，再对SSD检测模型进行测试，直至损失函数趋于稳定，最终获得优化SSD检测模型，可以在检测速度快的同时提高SSD网络对于小目标的检测能力。

技术领域

本说明书一个或多个实施例涉及机器视觉、图像处理技术领域，尤其涉及一种优化SSD检测模型训练方法及小目标检测方法。

背景技术

近年来，无人机检测技术开始广泛应用在真实交通场景中，车辆和行人检测作为无人机检测技术的重要组成部分，具有重要研究意义。

迄今，目标检测方法通常可以分为传统的机器学习方法和深度学习方法。传统的机器学习方法均是基于手工设计的，加之特征提取的过程过于复杂，因此这些方法常常存在泛化能力差，检测速度慢，检测精度低等问题，难以适应不同场景的检测任务。

目前，基于深度卷积网络的目标检测方法通常分为:基于Two-Stage的检测方法和基于Single-Stage的检测方法。基于Two-Stage的检测方法中以Faster R-CNN性能最为优异，该网络引入了一个区域建议网络(RPN)，它可以同时预测每个位置的目标边界和目标得分，经过端到端训练，生成高质量的区域建议，提高网络的检测精度，但Faster R-CNN网络结构复杂，检测速度十分缓慢。考虑到效率的问题，Single-Stage方法随后被提出，其代表方法是YOLO和SSD(Single Shot MultiBox Detector)。YOLO使用了全连接网络，这会导致空间信息丢失、定位错误和目标漏检等问题，尤其对小目标的检测效果较差，影响最终的检测精度。SSD借用Faster R-CNN中的Anchor思想，并且使用多个不同尺度的特征图进行检测，由于各个特征图的感受视野不同，所以SSD可以很好地适应不同大小目标的检测，但是SSD的浅层特征图语义信息较差，因此SSD对小目标的检测效果并不理想。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种优化SSD检测模型训练方法及小目标检测方法，能够有效提高小目标检测的检测精度。

基于上述目的，本说明书一个或多个实施例提供了一种用于检测小目标的优化SSD检测模型训练方法，包括：

获取历史图像；

将历史图像划分为训练集和测试集；

将训练集中的历史图像分别输入VGG16网络和ResNet50网络中进行卷积，分别获得VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据；

将所述VGG16网络图像初次卷积数据和ResNet50网络图像初次卷积数据进行特征融合，获得融合后的VGG16网络图像初次融合数据；

将所述VGG16网络图像初次融合数据和ResNet50网络图像初次卷积数据返回执行分别输入VGG16网络和ResNet50网络中进行卷积的步骤，直至达到预设卷积次数，获得VGG16网络图像融合数据；

将所述VGG16网络图像融合数据输入到SSD后续网络中进行分类和检测，获得改进的SSD检测模型；

用测试集对改进的SSD检测模型进行测试，计算损失函数，与前一次训练得到的损失函数比较，若损失函数小于前一次训练的损失函数，则返回执行将训练集中的历史图像分别输入VGG16网络和ResNet50网络中进行卷积的步骤，直至损失函数趋于稳定，获得的SSD检测模型为优化SSD检测模型。