(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 202210250486.9 (22)申请日 2022.03.15 (71)申请人 长沙理工大 学 地址 410114 湖南省长 沙市天心区万家丽 南路2段96 0号 (72)发明人 张康　徐蔚鸿　胡雪梅　 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于深度分组可分离卷积的目标检测 方法 (57)摘要 本发明公开一种基于深度分组可分离卷积 的目标检测方法， 由特征提取模块， 特征融合模 块和检测头组成。 本发明提出并在检测头中使用 了GBL模块， GBL模块由深度分组分离卷积， 批归 一化层和Leak y_Relu激活函数组成， 其中深度分 组可分离卷积在深度可分离卷积的基础上进行 了改进， 首先进行特征图的通道分组， 经过3x3的 普通卷积后进行拼接， 拼接后的特征图进行1x1 的普通卷积操作改变通道数， 基于深度分组可分 离卷积的GBL模块可以有效的代替普通卷积， 在 提取多层次和多尺度特征以及特征融合中都可 以有效保证网络的学习能力。 本发 明公开的目标 检测方法以较小的参数和计算增量， 实现了较大 的精确度的提高， 在保证目标检测实时性的同 时， 有效的优化了检测 效果， 作为一种轻量级目 标检测方法， 尤其适用于内存和计算能力受限硬 件环境。 权利要求书1页 说明书4页 附图3页 CN 114612758 A 2022.06.10 CN 114612758 A 1.一种基于深度分组可分离卷积的目标检测方法， 其特 征在于， 包括以下步骤： 步骤1， 采集检测图片， 形成训练集。 步骤2， 提取特征。 将训练集图片输入到CSPDarknet53 ‑Tiny网络中进行特征提取， CSPDarknet53网络包括依次连接的两个3x3卷积层， 三个CSPBlock模块和最大池化层， 其中 CSPBlock模块包括依次连接的三个3x3卷积层， 第二个卷积层和第三个卷积层的输出拼接 后输入到第四个卷积层， 第四个卷积层的输出和 第一个卷积层的输出拼接后作为CSPBlock 模块的输出。 CS PDarknet53‑Tiny复杂的网络结构有益于提取图片的特 征。 步骤3， 特征融合。 将提取到的特征输入到FPN网络中进行特征融合,FPN网络有两条分 支， 其中一条包括依次连接的两个3x3卷积层， 另一条在第一条的输出后再连接两个3x3的 卷积层， 并与FPN网络的输入进行拼接 。 融合后得到 两种不同尺度的特 征图。 步骤4， 检测目标。 将两种不同尺度的特征图输入到检测头中， 检测头包括两个依次连 接的GBL模块和两个3x3的普通卷积最后输出两种不同尺度下的检测结果， 并选择置信度最 大的预测框作为 最后的目标检测框 。 2.如权利 要求1所述方法， 其特征在于： 步骤4中检测头采用了两个连续的GBL模块， GBL 模块包括3x3深度分组可分离卷积， 批归一化层和RELU激活函数， 通过两个连续的GBL模块 可以得到更加准确的目标检测结果。 3.如权利要求2所述方法， 其特征在于， 深度分组可分离卷积将输入特征图进行分组， 每组进行普通卷积， 卷积结果拼接得到新的特征图， 各组卷积过程中卷积核的个数和各组 特征图的通道数一致， 保证得到的新特征图的通道数和原始特征图的通道数一致， 然后用 1x1的普通卷积改变新特 征图的通道层数。 4.如权利要求3所述方法， 其特征在于： 步骤4中检测头包含深度分组可分离卷积， 在减 少参数量和计算 量的同时， 保证了网络的学习能力， 可以有效的检测目标。权　利　要　求　书 1/1 页 2 CN 114612758 A 2一种基于深度分组可分离卷积的目标 检测方法 技术领域 [0001]本发明属于目标检测领域， 更具体 的， 尤其涉及一种基于深度分组可分离卷积的 目标检测方法。 背景技术 [0002]目标检测是计算机视觉中最重要的任务之一。 自从第一个无约束的实时人脸检测 方法“Viola‑Jones检测器 ”被提出以来， 目标检测技 术一直在不断发展。 [0003]基于深度学习的目标检测方法主要包括两类： 基于区域建议的两阶段方法和基于 回归的一 阶段方法。 虽然两阶段方法比一阶段方法具有更高的精度， 但一阶段方法比两阶 段方法具有更快的检测速度。 然而不论是两级检测器还是一级检测器都有复杂的网络结构 和大量的参数， 需要GPU(图形处理单元)进行实时目标检测， 但在实际应用中， 设备的计算 能力和内存是有限的， 因此， 必须设计轻量级目标检测网络以适应内存和计算力受 限的情 况。 发明内容 [0004]发明目的： 针对现有技术的缺陷和改进需求， 本发明提供了一种基于深度分组可 分离卷积的目标检测方法， 其 目的在于保证实时性的前提下， 以较少的参数量和计算量的 增加维代价， 换 取目标检测准确率与鲁棒 性方面性能的较大提升 。 [0005]技术方案： 为实现上述目的， 本发明采用的技 术方案为： [0006]一种基于深度分组可分离卷积的目标检测方法， 包括特征提取模块， 多尺度特征 融合模块和目标检测头； 所述特征提取模块为CSPDarknet53 ‑Tiny网络， 主要由卷积层， CSPBlock模块和最大池化层组成， 通过堆叠这些模块得到主干网络， 用于特征提取； 所述多 尺度特征融合模块为FPN网络， 主要由卷积层组成， 将提取到的特征映射到两个不同尺度， 并进行特征融合； 所述目标检测 头由卷积层和GBL模块组成， 对融合后的特征图进行回归， 以得到最终目标的位置和类别 信息， 具体包括以下步骤： [0007]步骤1， 采集检测图片， 形成训练集。 [0008]步骤2， 提取特征。 将训练集图片输入到CSPDarknet53 ‑Tiny网络中进行特征提取， CSPDarknet53网络包括依次连接的两个3x3卷积层， 三个CSPBlock模块和最大池化层， 其中 CSPBlock模块包括依次连接的三个3x3卷积层， 第二个卷积层和第三个卷积层的输出拼接 后输入到第四个卷积层， 第四个卷积层的输出和 第一个卷积层的输出拼接后作为CSPBlock 模块的输出。 首先两个3x3的卷积层 对输入图像进行低级语义特征的提取， 然后CSPBlock模 块和最大池化层的组合在降低特征图大小的同时， 对特征进行进一步提取， 得到更多高级 语义特征。 [0009]步骤3， 特征融合。 将提取到的特征输入到FPN网络中进行特征融合,FPN网络有两 条分支， 其中一条包括依次连接的两个3x3卷积层， 特征图经过卷积层后尺度进一步缩小， 另一条在第一条的输出后再连接两个3x3的卷积层， 缩小尺度的同时进一步提取特征， 并与说　明　书 1/4 页 3 CN 114612758 A 3