(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210574950.X (22)申请日 2022.05.25 (71)申请人 西安理工大 学 地址 710048 陕西省西安市碑林区金花 南 路5号 (72)发明人 刘晶　马小龙　梁庆国　 (74)专利代理 机构 西安弘理专利事务所 61214 专利代理师 徐瑶 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/40(2022.01) G06V 10/77(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于轻量化骨干网络的目标检测方法 (57)摘要 本发明公开的基于轻量化骨干网络的目标 检测方法， 具体按照以下步骤实施： 步骤1、 准备 预训练数据集Tiny ‑Imagenet和VOC格式的训练 数据集； 步骤2、 搭建特征提取网络LBNet； 步骤3、 搭建由LBNet的多层输出特征构成的特征金字塔 结构， 并且在通过步骤1得到的T iny‑Imagenet数 据集中进行预训练， 得到预训练权重。 步骤4、 设 计anchors生成容器算法， 生成区域推荐网络所 需的anchors尺寸。 步骤5、 完成模型的训练和预 测。 该方法解决了现有检测技术中存在的检测效 率低和边界框 定位不准的问题。 权利要求书3页 说明书8页 附图3页 CN 114863218 A 2022.08.05 CN 114863218 A 1.基于轻量 化骨干网络的目标检测方法， 其特 征在于， 具体按照以下步骤实施： 步骤1、 准备 预训练数据集Ti ny‑Imagenet和VOC格式的训练数据集； 步骤2、 搭建特 征提取网络LBNet； 步骤3、 搭建由LBNet的多层输出特征构成的特征金字塔结构， 并且在通过步骤1得到的 Tiny‑Imagenet数据集中进行 预训练， 得到预训练权 重； 步骤4、 设计anc hors生成容器算法CFA， 生成区域推荐网络所需的anc hors尺寸； 步骤5、 完成模型的训练和预测。 2.根据权利要求1所述的基于轻量化骨干网络的目标检测方法， 其特征在于， 所述步骤 1具体按照以下步骤实施： 步骤1.1、 准备 预训练数据集Ti ny‑Imagenet， 并生成预训练所需的标签文件； 所述步骤1.1具体按照以下步骤实施： 步骤1.1.1、 从Imagenet数据集中抽取一部分来制作本所需的预训练数据集Tiny ‑ Imagenet， 即预训练数据集TI； 步骤1.1.2、 生成标签文件， 根据每个类别 对应的实际物体名称构 建json类型的标签文 件； 从TI中按照8:2的比例去划分训练集和验证集， 然后对TI中包含的每个类别中进行采 样， 分别得到标签文件t rain.csv和val.csv； 步骤1.2、 准备VOC格式的训练数据集； 步骤1.2具体按照以下步骤实施： 步骤1.2.1、 将广泛用于目标检测的PascalV OC2007和2012数据集进行合并来制作我们 所需的VOC格式的训练数据集M； 步骤1.2.2、 生成标签文件， 对训练集和验证集 中的图像进行类别和区域标注， 生成xml 文件， 并将其统一放在Annotations文件夹中， 根据xml文件生成后续训练所需的 train.txt， val.txt和t rainval.txt标签文件， 并统一 放在Main文件夹中。 3.根据权利要求2所述的基于轻量化骨干网络的目标检测方法， 其特征在于， 所述步骤 2具体按照以下步骤实施： 步骤2.1、 设计内部连接 子块； 步骤2.2、 设计残差连接块， 通过跳跃连接的方式将每个内部连接子块的输入和输出进 行相加， 便就形成了残差连接块； 步骤2.3、 设计局部密集连接块， 将每个内部连接子块的输出层特征都与其前面所有内 部连接子块的输出 特征在对应通道维度上进行拼接， 便就形成了局部密集连接块； 步骤2.4、 设计LBNet的第一个网络层C1， C1是一个由步长为1， 大小为3x3， 通道数为32的 卷积核、 Batc h Normalization层和激活函数ReLu组成的卷积层结构； 步骤2.5、 设计LBNet中以残差连接块和密集连接块为主体的网络层结构C2， C3， C4， C5， C6； 步骤2.6、 设计LBNet中的降采样层d。 4.根据权利要求3所述的基于轻量化骨干网络的目标检测方法， 其特征在于， 所述步骤 2.1具体按照以下步骤实施： 步骤2.1.1、 每个连接子块的结构都一样， 均由一个大小为1x1的卷积核一个大小为3x3 的卷积核构成； 具体的前向传播过程是Co nv(1x1)‑BN‑ReLu‑Conv(3x3)‑BN‑ReLu；权　利　要　求　书 1/3 页 2 CN 114863218 A 2步骤2.1.2、 保证内部连接子块的输入和输出尺寸一致， 将内部连接子块中1x1卷积核 的通道数设置为3x3卷积核通道数的1/2。 5.根据权利要求4所述的基于轻量化骨干网络的目标检测方法， 其特征在于， 所述步骤 2.5具体按照以下步骤实施： 步骤2.5.1、 将C2与C5设置为由局部密集连接块构成的层 结构； C2是一个由3个内部连接 子块构成的局部密集连接块， C5是一个由4个内部连接 子块构成的密集连接块； 步骤2.5.2、 将C3， C4， C6设置为由残差连接块构成的层结构； C3， C4， C6分别为由4个， 6个 和6个内部连接 子块构成的残差连接块。 6.据权利要求5所述的基于轻量化骨干网络的目标检测方法， 其特征在于， 所述步骤 2.6具体按照以下步骤实施： 步骤2.6.1、 在LBNet 中C1～C6的相邻两个网络层之间， 均采用一个大小为3x3， 步长为2 的降采样层d来完成下采样 操作； 步骤2.6.2、 对于网络层C2～C6来说， 将步长为2， 大小为3x3的卷积核移到了残差连接块 之外的主干路径上， 也 就是在每 个独立的连接块之前就完成图像的下采样。 7.根据权利要求6所述的基于轻量化骨干网络的目标检测方法， 其特征在于， 所述步骤 3具体按照以下步骤实施： 步骤3.1、 设计横向连接结构， 并通过横向连接结构将 LBNet中网络层 C2～C6的输出特征 作为特征金字塔的输入； 所述步骤3.1具体按照以下步骤实施： 步骤3.1.1、 设置LBNet输出特征层； 选择从第1个局部密集连接块C2开始进行特征的输 出， 并将C2的输出记为 F2， 为了得到更加丰富的多尺度特征信息， 将接下来的3个残差连接块 C3、 C4、 C6的特征信息和1个局部密集连接块C5的特征信息进行输出， 因此， 这5个特征层依次 记为： F＝{F2， F3， F4， F5， F6}； 步骤3.1.2、 统一设置输出层的通道数并对输出层进行降维； 通过一个大小为1x1卷积 核来完成上述C2～C6中特征层通道的降维， 由于C2的通道数为64， 所以此处的通道数统一设 置为64； 步骤3.2、 搭建由LBNet的多层输出特征构成的自上而下的特征金字塔结构； 首先使用 1x1x64大小的卷积核分别对特征层F6， F5降维得到新的特征层P6， P5， 这样就得到了第一个 特征输出层P6， 然后使用双线性插值 的方法将P6上采样到与P5相同的尺寸大小； 最后， 将P6 和P5在其对应的维度上进行相 加， 就获得了更新后的第二个特征输出层P5； 基于上述的相同 策略， 使用P5更新P4， 使用P4更新P3， 使用P3更新P2； 步骤3.3、 将预训练数据集TI中的图片送入由LBNet构成的特征金字塔结构中， 并依据 步骤1.1.2中的标签文件设置类别数， 进行 预训练， 得到预训练权 重。 8.根据权利要求7所述的基于轻量化骨干网络的目标检测方法， 其特征在于， 所述步骤 4具体按照以下步骤实施： 步骤4.1、 输入带有边界包围框的训练集图像即样本； 步骤4.2、 从所有输入的图像中挑选k个边界包围框作为聚类中心； 步骤4.3、 依次计算并比较所有边界包围框与每个聚类中心之间的距离D， 并划分边界 框所在的类；权　利　要　求　书 2/3 页 3 CN 114863218 A 3