[发明专利]一种基于自适应多级融合特征池的目标检测方法

说明书

本发明涉及人工智能、深度学习和目标检测领域，具体涉及一种基于自适应多级融合特征池的目标检测方法；该方法包括基于现有YOLOv5网络构建改进YOLOv5网络，改进YOLOv5网络包括骨干网络、颈部网络和头部网络；颈部网络中加入了多级融合特征池、批次通道均值结构和均值压缩扩展结构；获取图像数据集训练改进YOLOv5网络，采用损失函数进行迭代训练，调整网络参数；将训练好的改进YOLOv5网络用于目标检测，得到目标检测结果；本发明解决了特征通道数过少、区分不同通道的重要性的问题；减少了计算量。

技术领域

本发明涉及人工智能、深度学习和目标检测领域，具体涉及一种基于自适应多级融合特征池的目标检测方法。

背景技术

近年来，目标检测领域发展非常迅速，随着应用场景越来越丰富，需要解决的问题也越来越复杂。但是，归根结底，目标检测算法需要解决的是两方面的问题，一个是检出精度问题，一个是推理速度问题。基于这两方面的问题目标检测也划分为两级目标检测和单级目标检测两个主流方向。两级目标检测算法顾名思义，需要两个步骤来检出目标，因此该方向算法更注重解决检出精度问题而在推理速度方面则表现欠佳。而自从单级目标检测算法被提出后，因为简化了检出步骤，所以检出精度和推理速度的优化与平衡一直是这个方向关注的重点。

单级目标检测技术具有推理速度快、设备开销小、模型计算量低等优势，其有利于针对海量图像或实时视频流中的待检测目标进行快速识别，并根据识别结果进行逻辑判断。单级目标检测算法更适合应用在对实时性要求非常高的领域，例如安防或工业领域。在安防领域中，目标检测主要用来解决针对摄像头视频的实时分析问题，包括危险品预警(危害公共安全的物品检测，例如刀、枪、易燃易爆品等)、周界预警(设置安全区域或危险区域，防止人或物进入)、火情预警(识别并发现火情)等。这些针对视频的实时分析，对公共安全的预防预警是非常有意义的。另外在工业领域，例如实时瑕疵检测、产线异常识别等，单级目标检测算法能为企业达到降本增效、提质增产的效果，非常具有实际的应用价值。单级目标检测算法目前比较有代表性的算法主要有YOLOv1、SSD、YOLOv2、YOLOv3、YOLOv4、Scaled-YOLOv4、YOLOv5、YOLOv6、YOLOv7，同时基于YOLO算法也发展出了一些更具创新的变体算法，例如YOLOF、PP-YOLO、YOLOX等。这些算法都在检出精度和推理速度这两个方面表现突出。但仍存在三个主要问题：

1、在YOLO系列网络结构的neck结构中，特征分支融合的过程存在特征通道数过少，无法充分掌握全局特征的问题；

2、特征分支融合后的特征通道没有区分所有特征通道的重要程度；

3、不能通过自学习的方式对特征通道的重要程度进行合理的分配。

发明内容

为解决上述问题，本发明提供了一种基于自适应多级融合特征池的目标检测方法，包括以下步骤：

S1.基于现有YOLOv5网络构建改进YOLOv5网络，改进YOLOv5网络包括骨干网络、颈部网络和头部网络；颈部网络中加入了多级融合特征池、批次通道均值结构和均值压缩扩展结构；

S2.获取图像数据集训练改进YOLOv5网络，采用损失函数进行迭代训练，调整网络参数；

S3.将训练好的改进YOLOv5网络用于目标检测，得到目标检测结果。

进一步的，改进YOLOv5网络包括有第二CSP1模块、第三CSP1模块和第二Conv模块；