基于全卷积的无分支结构目标检测方法与流程

技术特征：
1.一种基于全卷积的无分支结构目标检测方法，其特征在于，包括以下步骤：步骤s1:获取目标检测数据集，并预处理，生成训练集；步骤s2:构建可重参数化的多分支全卷积网络模型；步骤s3:基于训练集对可重参数化的多分支全卷积网络模型进行训练，通过随机梯度下降方法，优化模型参数；步骤s4:对训练好的多分支全卷积网络模型进行重参数化，构建无分支全卷积网络，作为推理模型；步骤s5:将待测试图像输入推理模型进行测试。2.根据权利要求1所述的基于全卷积的无分支结构目标检测方法，其特征在于，所述预处理具体为：对图像进行水平翻转和垂直翻转，图像翻转的概率设为0.5。3.根据权利要求1所述的基于全卷积的无分支结构目标检测方法，其特征在于，所述步骤s2具体为:步骤s21：使用resnet作为主干网络的centernet目标检测模型作为基线模型，对resnet的跳跃连接进行修改，一个resnet基本块中包含两种跳跃连接，一种是当前层输出和输入特征图的尺度相同，直接对两个图像进行相加融合，一种是当前层输出特征图和输入特征图的尺度不同，使用1
×
1卷积对输入特征图进行通道变换后再与输出特征相加融合获得下一层的输入；当尺度匹配时加入1
×
1卷积分支，不匹配时加入3
×
3卷积分支，并且每一个分支在卷积操作后加上批量归一化；对于尺度匹配的连接，设输入特征图为f1，通过当前层的3
×
3卷积操作后输出值为f1(f1)，设批量归一化操作为bn(x)，表示对输入x进行批量归一化，则bn(f1)表示对特征图f1进行批量归一化，则下一层的输入特征图y1为：y1＝bn(g1(f1)) bn(f1(f1)) bn(f1)其中g1(f1)是加入的1
×
1卷积分支的输出值，对于尺度匹不配的连接，设输入特征图为f2，通过当前层的3
×
3卷积操作后输出值为f2(f2)，则下一层的输入特征图y2为：y2＝bn(g2(f2)) bn(f2(f2)) bn(h(f2))其中g2(f2)是网络原来的1
×
1卷积分支的输出值，h(f2)是加入的3
×
3卷积分支的输出值；对每一个卷积操作加入分支结构，扩展为三个分支。步骤s22：在步骤s21改进的resnet网络后加上eca注意力模块，将改进后的resnet网络获得的特征值送入eca注意力模块，构建可重参数化的多分支可重参数化的全卷积网络模型。4.根据权利要求1所述的基于全卷积的无分支结构目标检测方法，其特征在于，所述步骤s3具体为：训练阶段使用随机初始化方法初始化网络参数，设置初始学习率设置为1.25e-2，每过5轮将学习率乘以0.9998，使用动量为0.9的随机梯度下降优化方法，通过最小化损失获得模型的最优参数，得到训练好的可重参数化的多分支可重参数化的全卷积网络模型。5.根据权利要求1所述的基于全卷积的无分支结构目标检测方法，其特征在于，所述步骤s4具体为：步骤s41：训练好的可重参数化的多分支可重参数化的全卷积网络模型中每一个卷积操作包含三个分支，若网络中一共包含n个卷积层，那么网络包含3n个处理过程，推理模型
需要将3n个处理过程通过重参数化的方法转化为n个处理过程；用c
in
表示卷积操作中的参数输入通道数，c
out
表示输出通道数，对于尺度匹配的连接，设用表示当前层主干3
×
3卷积的权值，则3卷积的权值，则为加入的旁路1
×
1卷积的权值，μ、σ、γ、β为批量归一化层的累积均值、标准差、学习的缩放因子和偏差，f为输出特征图，w为对应卷积层的权值；设为3
×
3卷积层之后批量归一化层的累积均值、标准差、学习的缩放因子和偏差；均值、标准差、学习的缩放因子和偏差；为加入的1
×
1卷积层之后批量归一化层的累积均值、标准差、学习的缩放因子和偏差，为输入值直接批量归一化层的累积均值、标准差、学习的缩放因子和偏差，那么训练阶段网络模型中对于输入特征图f，将使用bn(f*w，μ，σ，γ，β)来表示批量归一化具体计算过程，*表示卷积：卷积：步骤s42：根据步骤s41中批量归一化的计算公式，输入特征图f1与下一层的输入特征图y1计算关系进一步表示为：计算关系进一步表示为：根据训练好的模型权值重新构造测试模型需要的参数值，将多个分支结构的权值压缩到一个卷积中，将式子化简后的值使用一个卷积代替，简化后的计算公式为：测试阶段使用的压缩后的卷积的权值和偏移量{w
′1，b
′1}的公式如下：}的公式如下：得到测试阶段的为分支结构的计算关系为：
y1＝f1*w
′1 b
′1步骤s43：根据步骤s42化简后的公式直接用于对于尺度不匹配的连接，输入通道数为c
in
，输出通道数为c
out
的情况，用的情况，用表示当前层的主干3
×
3卷积的权值，值，为当前层1
×
1卷积的权值，则为加入的3
×
3卷积的权值；设为3
×
3卷积层之后批量归一化层的累积均值、标准差、学习的缩放因子和偏差；值、标准差、学习的缩放因子和偏差；为旁路1
×
1卷积层之后批量归一化层的累积均值、标准差、学习的缩放因子和偏差，μ
(3)
、σ
(3)
、γ
(3)
、β
(3)
为加入的旁路3
×
3卷积层之后批量归一化层的累积均值、标准差、学习的缩放因子和偏差，测试阶段使用的卷积的权值因此测试阶段使用的卷积的权值{w
′2，b
′2}的公式如下：}的公式如下：因此测试阶段网络模型中对于输入特征图f2得y2＝f2*w
′2 b
′2步骤s44：对网络结构进行判断，对于尺度匹配的连接使用{w
′1，b
′1}计算的新权值复制给主干3
×
3卷积进行重参数化，对于尺度不匹配的连接使用{w
′1，b
′2}计算的新权值复制给主干3
×
3卷积进行重参数化，并删除旁路分支结构，构建无分支全卷积网络模型作为推理模型。6.根据权利要求1所述的基于全卷积的无分支结构目标检测方法，其特征在于，所述步骤s5具体为：将待测图像输入推理模型进行预测，设置阈值为0.5到0.95，根据预测概率选出符合要求预测框。

技术总结
本发明涉及一种基于全卷积的无分支结构标检测方法，包括以下步骤：步骤S1:获取目标检测数据集，并预处理，生成训练集；步骤S2:构建可重参数化的多分支全卷积网络模型；步骤S3:基于训练集对可重参数化的多分支全卷积网络模型进行训练，通过随机梯度下降方法，优化模型参数；步骤S4:对训练好的多分支全卷积网络模型进行重参数化，构建无分支全卷积网络，作为推理模型；步骤S5:将待测试图像输入推理模型进行测试。本发明能够有效地减少边缘小目标的漏检。的漏检。的漏检。


技术研发人员：柯逍 林心茹 刘浩
受保护的技术使用者：福州大学
技术研发日：2021.12.25
技术公布日：2022/4/5