【《SSD车辆检测算法的框架设计案例》2300字】

SSD车辆检测算法的框架设计案例目录TOC\o"1-3"\h\u11747SSD车辆检测算法的框架设计案例 1306331.1改进SSD算法总体架构 12321.2MobileNetV2-SSD网络框架 2103451.3多尺度特征融合 3172471.4SE-Net模块 4277781.5改进SSD算法具体实现步骤 51.1改进SSD算法总体架构本研究将多尺度特征融合加入到了MobileNetV2-SSD网络框架，之后在多尺度检测的六个特征图后加入SE-Net模块对通道进行加权，增强模型的性能。整体网络框架设计如图1.1所示。图1.1改进SSD算法网络框架其中蓝色特征图表示深度可分离卷及操作，红色特征图表示上采样操作，黄色特征图表示SE-Net操作。整个结构的特征提取网络采用了MobileNetV2的倒置残差块结构并在后面对部分层进行特征融合，对特征融合后的卷积块进行卷积操作，形成多尺度卷积层，对选定的多尺度卷积层进行SE-Net操作后，作为多尺度检测层。其中选择分辨率为38×38，19×19，10×10，5×5，3×3，1×1这六层的特征图生成不同比例和尺寸的检测框进行预测回归。最后通过非极大值抑制的方法去除多余的检测框从而得到预测结果。1.2MobileNetV2-SSD网络框架MobilenetV2网络结构能在基本不损失检测精度的情况下降低模型参数量，减少模型的计算量。本研究把优化后的特征提取网络与SSD算法中的多尺度检测网络相融合形成基于MobileNetV2-SSD的网络框架。，示意图如图1.2所示。图1.2MobileNerV2-SSD网络框架该网络架构以MobileNetV2作为特征提取网络，借助SSD多尺度目标检测的思想，构建该网络框架，结合两种结构的优势来实现对SSD算法的改进。本研究延续SSD算法中多尺度检测框的思想来保证对大小不同的物体都有良好的检测效果。在引入了MobilenetV2网络的思想后，本文所构建的特征提取网络结构如图1.3所示。图1.3引入倒置残差块后卷积操作其中两个不同的流程表示在不同步长下的卷积操作。在做深度可分离卷积的过程前面加上了1×1的卷积核进行通道的扩增，当步长为1的时候对其采用残差网络中的跳跃连接，当步长为2的时不使用跳跃连接操作。在这种改进后的残差块中特征图尺寸和通道数的变化如表1.1所示。表1.1改进后通道数变化输入操作输出h×w×k1×1Conv,Relu6h×w×(tk)h×w×tk3×3Deepwise，s=s,Relu6××(tk)××tk1×1Conv2dLinear××其中t代表的通道(channels)“扩张”的倍数，s代表步长。可以看出在处理的过程中先把特征图通道数提升了t倍，然后保持该通道数不变对其进行深度可分离卷积操作提取特征，最后再把通道数缩小为原输入尺寸。1.3多尺度特征融合在实现基于MobileNetV2-SSD的网络框架后，以MobileNetV2-SSD网络框架为基础，进行多尺度特征层的融合，网络结构如图1.4。图1.4特征融合的网络结构首先为对特征提取网络的部分层进行金字塔特征图重构操作，再统一融合特征图大小，对融合后的特征图进行卷积变换，形成多尺度的特征图，最后再通过SSD算法的多尺度检测思想实现网络模型。以MobileNetV2特征提取网络中的bottleneck-6、bottleneck-13、bottleneck-17以及通过bottleneck-17进行卷积操作的block1作为融合特征图，以bottleneck-6为融合的基础层，具体操作如图1.5所示。图1.5特征融合过程bottleneck-6作为C2、bottleneck-13作为C3、bottleneck-17作为C4，通过bottleneck-17进行卷积操作的block1作为C5，对C5进行1×1卷积操作，各通道对应点的线性加权作为P5，再对P5进行上采样，放大特征图，将放大后的特征图与C4进行1×1卷积操作后的结果进行融合，形成P4特征图，对P4进行上采样，放大特征图，将放大后的特征图与C3进行1×1卷积操作后的结果进行融合，形成P3特征图，对P3进行上采样，放大特征图，将放大后的特征图与C2进行1×1卷积操作后的结果进行融合，形成P2特征图，以P2作为特征融合的结果进行之后的操作。1.4SE-Net模块本文所使用的SENet(SequeezeandExcitationNet)本质上就是一个基于通道的注意力模型，它通过建模各个特征通道的重要程度，然后针对不同的任务增强或者抑制不同的通道，原理如图1.6。图1.6通道注意力机制左边为的特征图，经过一系列卷积池化操作之后，得到C×H×W大小的特征图；接下来进行SequeezeandExcitationblock操作。在Sequeeze操作中，对C×H×W大小的特征图进行全局平均池化得到1×1×C大小的特征图，这个特征图可以理解为具有全局感受野；之后，在Excitation操作中，使用一个全连接神经网络，对Sequeeze之后的结果进行非线性变换；最后以Excitation得到的结果为权重，输入到特征上。SE模块很容易嵌入到其它网络中，虽然会提高一定的计算量但是嵌入SE模块后分类准确度有一定的提升，因此对选定的多尺度卷积层进行SE-Net操作后，作为多尺度检测层。1.5改进SSD算法具体实现步骤改进SSD算法的实现步骤如下所示：读取有关图像建立MobileNetV2-ssd模型在MobileNetV2-ssd模型的目标检测框架上进行金字塔特征图重构操作设定MobileNetV2-ssd模型各个特征层的默认候选框参量在MobileNetV2-ssd模型的六个特征层后嵌入SE-Net模块，得到改进的MobileNetV2-ssd模型用VOC数据集训练改进的MobileNetV2-ssd模型，获得模型权重参数，用VOC数据集测试模型效果用UA-DETRAC进行车辆检测改进MobileNetV2-ssd算法伪代码如表1.2所示：表1.2改进MobileNetV2-ssd算法伪代码算法1：MobileNetV2算法输入：带有特征图片的张量输出：目标分类和边框位置回归01.输入imagedata02.MobileNetV2网络输出特征图bottleneck01.对bottleneck-6，bottleneck-13，bottleneck-17，及bottleneck-17卷积操作后的block1进行特征融合featuremapblock04.对特征融合后的featuremapblock进行多次卷积操作，在卷积操作后的层中选取五个特征层，与featuremapblock作为多尺度特征层featurelayer05.六个特征层后进行SE-Net操作生成featurelayer_se06.对特征层进行多尺度检测07.通过非极大值抑制获得最终的预测框其中，步骤2)具体操作如下：将SSD模型中原有的VGG基础网络替换成MobileNetV2删除MobileNetV2网络的池化层和全连接层，添加额外卷积层block1～4确定金字塔特征层，分别为mobilenetv2中的bottleneck-6、bottleneck-13、bottleneck-17以及额外的block1步骤3)具体操作如下：确定融合的特征图为bottleneck-6、bottleneck-13、bottleneck-17以及block1的输出，融合的基础层是bottleneck-13统一融合特征图的大小将特征在通道上融合，并进行归一化，形成融合后的新特征图featuremapblock以featuremapblock为基础生成后续六个金字塔特征层featurelayer1～6特征融合算法伪代码如表1.3所示：表1.3特征融合算法伪代码算法2：特征融合算法输入：带有特征图片的张量输出：统一尺寸的特征图01.输入不同尺寸的特征图02.用1×1卷积特征图的维度变为5