一种基于重参数化的无锚框目标检测方法技术

本发明专利技术公开了一种基于重参数化的无锚框目标检测方法，包括：使用无锚范式，通过关键点估计预测目标，并设计重参数化跨阶段局部网络，输出热力图；引入自适应特征金字塔网络融合所述热力图的特征层；使用高斯区域内像素作为训练样本，并优化损失函数平衡不同大小的训练样本。本发明专利技术将检测问题视为一个关键点估计问题，不需要预先设置候选框和非极大抑制等复杂的计算，设计了一种高效的重参数化跨阶段局部网络和自适应特征金字塔网络，在保证实时性的前提下有效地提高了网络的学习能力；最后，使用高斯核对训练样本像素点编码来提高训练效率，并进一步优化损失计算，解决了不同大小物体数量不平衡的问题。物体数量不平衡的问题。物体数量不平衡的问题。

【技术实现步骤摘要】
一种基于重参数化的无锚框目标检测方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于重参数化的无锚框目标检测方法。

技术介绍

[0002]SSD、Faster R
‑
CNN、YOLOv3等目标检测方法都是基于一组预先定义的锚框，在训练前需要对其进行聚类来匹配不同大小和比例的真实框。不同的数据集聚类后的锚框属性并不一致，一定程度上限制了检测性能。
[0003]目标检测算法落地面临的挑战主要有以下几点:
[0004](1)模型运算量大
[0005]由于内存空间和计算资源的限制，重量化模型在终端设备上的部署和计算仍然是一个巨大的挑战。
[0006](2)实时性差
[0007]现有大部分网络通过扩展深度和宽度来提高网络的学习能力。例如，在多分支架构(如Inception)中，会产生大量的隐式子模型，增加每一层的网络宽度，通过不同大小的卷积核扩展感受野。在残差网络中，通过残差学习融合特征，从而可以训练非常深的网络。但是也带来了一系列难题，比如更深更宽的模型必然导致模型的运算量的剧增，对设备的性能产生一定要求，而且更复杂的算子可能并不支持专用的硬件加速单元，对部署非常不友好。
[0008]针对目标检测存在的问题，一些学者提出了以下几种不同的改进思路。
[0009]受人类姿态估计的启发，Law等人提出利用热图检测物体边界框的左上角和右下角两个角点实现物体定位，并实现对目标的分类，为目标检测开创了新方向。Zhou等人使用类似的思路进行关键点检测，通过预测目标中心点的偏移量和宽高来检测物体，降低了误检率。Carion等人提出了另一种检测策略，使用Transformer对输入图像编码码产生预测结果序列，通过匹配预测结果与真实框保证单一预测，一次性预测所有目标，大大提高了训练效率。与基于锚框的检测器相比，无锚框的设计减少了网络的超参数数量，加快了训练和推理的速度。
[0010]SqueezeNet通过堆叠大量1x1的卷积构建卷积层，并使用可调节的超参数来控制不同层中卷积核的数量，以达到减少参数的目的。MobileNet家族使用深度可分离卷积代替标准的3x3卷积，巧妙设计了先升维后降维的倒置残差结构，从而大大减少了模型的参数数量。参数量更多的模型通常更容易收敛，目前先进的网络为了保证提取输入特征的全局信息，会产生大量冗余的特征图。Han等人使用深度可分离卷积代替传统卷积生成特征图，在维持通道数的前提下降低了参数量。这些方法本质上是通过简化模型结构来降低计算的复杂度。Zhuang等提出添加L1正则使BN层系数稀疏化，通过稀疏训练后，裁剪掉不重要的连接，获取到有损压缩后的模型。

技术实现思路

[0011]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0012]鉴于上述现有存在的问题，提出了本专利技术。
[0013]因此，本专利技术解决的技术问题是：现有目标检测存在计算复杂度高、不同大小物体数量不平衡的问题。
[0014]为解决上述技术问题，本专利技术提供如下技术方案：使用无锚范式，通过关键点估计预测目标，并设计重参数化跨阶段局部网络，输出热力图；
[0015]引入自适应特征金字塔网络融合所述热力图的特征层；
[0016]使用高斯区域内像素作为训练样本，并优化损失函数平衡不同大小的训练样本。
[0017]作为本专利技术所述的基于重参数化的无锚框目标检测方法的一种优选方案，其中：所述预测目标的获取包括，
[0018]使用无锚范式，将检测问题视为一个关键点估计问题，输入图像经过提出的ECSPNet输出热力图，根据预测热图上局部峰值点对关键点定位，使用改进的损失函数不断优化物体中心点和宽高的偏移量。
[0019]作为本专利技术所述的基于重参数化的无锚框目标检测方法的一种优选方案，其中：包括，
[0020]所述重参数化跨阶段局部网络在训练过程中是一种多分支结构，将残差分支的中间计算结果保存到设备的内存中；
[0021]网络训练完成后，使用重参数化将多分支结构合并为单分支的卷积结构，减少网络的层数；
[0022]将CSPNet的瓶颈结构替换为重参数化结构，然后将两个分支的特征图堆叠起来；
[0023]使用优化后的SE模块对合并后的特征跨通道之间的相互依赖关系进行建模，构建了新的骨干网络ECSPNet。
[0024]作为本专利技术所述的基于重参数化的无锚框目标检测方法的一种优选方案，其中：减少网络的层数的操作具体包括，
[0025]合并残差块中的卷积层和批量归一化层，减少网络的层数，对于输入特征x，卷积Conv(x)和批量归一化BN(x)操作的公式包括，
[0026]Conv(x)＝w(x)+b
[0027]其中，w(x)表示卷积核，b表示卷积的偏置；
[0028][0029]其中，γ表示批量归一化层的比例因子，β表示偏移因子，表示方差，m表示批量归一化层的平均值。
[0030]作为本专利技术所述的基于重参数化的无锚框目标检测方法的一种优选方案，其中：包括，
[0031]将卷积结果代入到批量归一化BN(x)操作的公式中得到
[0032][0033]设定得到合并后的结果
[0034]Conv
′
(x)＝w
′
(x)+b
′
[0035]其中，Conv
′
(x)表示合并后的卷积，w
′
(x)表示合并后的卷积核，b
′
表示合并后的偏置。
[0036]作为本专利技术所述的基于重参数化的无锚框目标检测方法的一种优选方案，其中：包括，
[0037]引入自适应特征金字塔网络，通过自学习融合权重来融合不同层的特征；
[0038]给定一个特征图其中，表示全体实数，w、h分别表示特征图的长、宽，c表示通道数；
[0039]是由ESE提取的融合权重。
[0040]作为本专利技术所述的基于重参数化的无锚框目标检测方法的一种优选方案，其中：提取的融合权重w(X)的计算包括，
[0041]对所述特征图X使用全局平均池化g(X)降低模型的维度；
[0042][0043]使用逐点卷来降低模型的复杂性的计算包括，
[0044][0045]其中，w(X)表示提取的融合权重，表示批量归一化操作，PWConv表示逐点卷积，表示ReLU激活函数。
[0046]作为本专利技术所述的基于重参数化的无锚框目标检测方法的一种优选方案，其中：还包括，
[0047]利用Sigmoid函数更新融合权重得到新的融合特征图X
′
，即：
[0048][0049]其中，ξ表示Sigmoid函数，表示按元素相乘。
[0050]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于重参数化的无锚框目标检测方法，其特征在于，包括：使用无锚范式，通过关键点估计预测目标，并设计重参数化跨阶段局部网络，输出热力图；引入自适应特征金字塔网络融合所述热力图的特征层；使用高斯区域内像素作为训练样本，并优化损失函数平衡不同大小的训练样本。2.如权利要求1所述的基于重参数化的无锚框目标检测方法，其特征在于：所述预测目标的获取包括，使用无锚范式，将检测问题视为一个关键点估计问题，输入图像经过提出的ECSPNet输出热力图，根据预测热图上局部峰值点对关键点定位，使用改进的损失函数不断优化物体中心点和宽高的偏移量。3.如权利要求1或2所述的基于重参数化的无锚框目标检测方法，其特征在于：包括，所述重参数化跨阶段局部网络在训练过程中是一种多分支结构，将残差分支的中间计算结果保存到设备的内存中；网络训练完成后，使用重参数化将多分支结构合并为单分支的卷积结构，减少网络的层数；将CSPNet的瓶颈结构替换为重参数化结构，然后将两个分支的特征图堆叠起来；使用优化后的SE模块对合并后的特征跨通道之间的相互依赖关系进行建模，构建了新的骨干网络ECSPNet。4.如权利要求3所述的基于重参数化的无锚框目标检测方法，其特征在于：减少网络的层数的操作具体包括，合并残差块中的卷积层和批量归一化层，减少网络的层数，对于输入特征x，卷积Conv(x)和批量归一化BN(x)操作的公式包括，Conv(x)＝w(x)+b其中，w(x)表示卷积核，b表示卷积的偏置；其中，γ表示批量归一化层的比例因子，β表示偏移因子，表示方差，m表示批量归一化层的平均值。5.如权利要求4所述的基于重参数化的无锚框目标检测方法，其特征在于：包括，将卷积结果代入到批量归一化BN(x)操作的公式中得到设定得到合并后的结果Conv
′
(x)＝w
′
(x)+b
′
其中，Conv
′
(x)表示合并后的卷积，w
′
(x)表示合并后的卷积核，b
′
表示合并后的偏置。6...

【专利技术属性】
技术研发人员：张涛，宿禹昌，
申请(专利权)人：江南大学，
类型：发明
国别省市：