[发明专利]一种基于轻量化YOLO v1的目标检测方法

说明书

本发明公开了一种基于轻量化YOLO v1的目标检测方法，轻量化YOLO v1的主干网络包括第一层至第五层结构，以及对第三层输出进行下采样后与第四层输出进行深度上的拼接后输入第五层的支路。本发明采用Conv层+GConv层+Conv层的组合作为一个基本特征提取卷积模块，在卷积过程中使输出的通道数等于输入通道数，从而使存储读取成本最小。通过对传统YOLO v1主干网络的修改精简，降低其网络权重参数的大小；此外，不用设置Anchor Box，能够直接从数据中得到检测框的位置及大小信息。

技术领域

本发明涉及一种图像处理方法，具体涉及一种图像的目标检测方法。

背景技术

深度神经网络已经被证明可以有效的解决图像、自然语言等不同领域的问题。同时伴随着移动互联网技术的不断发展，便携式设备得到了迅速的普及，用户提出了越来越多的需求。工业界对深度学习网络在终端应用的关注度越来越高，尤其是对于如何保持速度和精度上的平衡，也形成了不小的研究热度。

在目标检测领域，one-stage的目标检测网络因结构相对简单并且速度很快，所以目前对于轻量化的已部署在移动端的网络多以one-stage网络为主。但即便其相对精简，但是其动辄数百MB的网络参数权重对于移动终端仍然过于庞大，因而需将网络进行轻量化处理才能将其部署至移动终端。

在one-stage中，较为经典的有YOLO系列网络，YOLO系列网络自YOLO v2之后采用了Anchor Box进行目标边界框检测以提升精度，但利用Anchor进行目标检测需要预先设定Anchor Box的尺寸，而针对不同的数据集、不同的检测目标其Anchor Box的尺寸会有着差别，因而其泛化性能将会受到一定程度的限制，并且每应用于不同的数据集时都需重新设定Anchor Box的尺寸，增加了网络部署的难度。

发明内容

发明目的：针对上述现有技术，提出一种基于轻量化YOLO v1的目标检测方法，降低网络参数权重，并且不用设置Anchor Box。

技术方案：一种基于轻量化YOLO v1的目标检测方法，包括：对采集的数据进行预处理，预处理后的数据输入轻量化YOLO v1，所述轻量化YOLO v1的输出包括检测框的位置及大小信息；

所述轻量化YOLO v1的主干网络包括第一层至第五层结构，以及对第三层输出进行下采样后与第四层输出进行深度上的拼接后输入第五层的支路；

第一层由Mode1模块构成，第一层的输入与输出尺寸分别为：3*448*448、36*112*112；

第二层至第四层均为由Mode2模块连接Mode3模块构成，第二层至第四层的输入与输出尺寸分别为：36*112*112、72*56*56，72*56*56、144*28*28，144*28*28、288*14*14；

第五层由Mode1模块构成，第五层的输入与输出尺寸分别为：288*14*14、30*7*7；

所述支路的输入与输出尺寸分别为：144*28*28、144*14*14；

其中，Mode1模块的结构为：依次连接的1个Conv层以及1个MaxPooling层；

Mode2模块的结构为：依次连接的1个Conv层、2个Gconv层以及1个Conv层；

Mode3模块的结构为：依次连接的1个Conv层、1个Gconv层以及1个Conv层。

进一步的，所述主干网络还包括连接第五层输出的三个检测头，所述三个检测头均由1个Conv层组成，三个检测头的输出尺寸分别为5*7*7、5*7*7、20*7*7，三个检测头的输出数据进行深度拼接后形成最终的输出数据。

有益效果：1.轻量化：通过对传统YOLO v1主干网络的修改精简，降低其网络权重参数的大小。

2.不用设置Anchor Box，能够直接从数据中得到检测框的位置及大小信息。