CN114937151B 基于多感受野和注意力特征金字塔的轻量级目标检测方法 （西安电子科技大学）

基于多感受野和注意力特征金字塔的轻量本发明公开了一种基于多感受野和注意力储资源受限设备中检测精度较低及检测速度较的训练集和测试集；2)构建轻量级多感受野模2(2)以全卷积一阶段目标检测FCOS框架为基础，使用MobileNetv2网络作为主干网络，(6a)采用ImageNet数据集上的预训练模型初始化MobileNetv2网络，使用正态分布N3(6d)将训练样本集中的batch张图像输入到深度学习网络中进行前向传播，得到预测在每层空洞残差网络中设置逐通道空洞卷积层的卷积核的通道数为192，卷积核的总在每层空洞残差网络中设置逐通道空洞卷积层的卷积核的通道数为576，卷积核的总5.根据权利要求1所述的方法，其特征在于：所6.根据权利要求1所述的方法，其特征在于：所述(6e)中采用自适应训练样本分配策4(6e3)计算真实框与对应的k个锚框的IOU的均值和标准差，将均值和标准差相加作为5检测模型在计算资源受限的设备存在难以部署及在需要快速检测的场景中无法实现实时[0003]华南理工大学在申请号为202010619209.1的专利文献中公开了一种基于轻量级[0004]中国科学院合肥物质科学研究院在申请号为202111315378.7的专利文献中公开6[0019](4f)由空间注意力SE调整第四尺度增强特征图P6的全局特征信息，并依次经过[0023](6a)采用ImageNet数据集上的预训练模型初始化MobileNetv2网络，使用正态分布N(0,0.01)初始化深度学习网络其7[0026](6d)将训练样本集中的batch张图像输入到深度学习网络中进行前向传播，得到[0034]第一，由于本发明使用MobileNetv2网络作为主干网络，替换了原始的重量级网[0044]从网络上获取PASCALVOC数据集，该数据集包括有PASCALVOC2007数据集和[0045]本实例将PASCALVOC2007数据集和PASCALVOC2012数据集的训练集和验证集划8[0048]主干网络是用来提取输入图像的基础特征，可从PeleeNet、ShuffleNetv2和[0060]在每层空洞残差网络中设置逐通道空洞卷积层的卷积核的通道数为192，卷积核[0061]在每层空洞残差网络中设置逐点卷积层的卷积核的通道数为192，卷积核的总数[0066]在每层空洞残差网络中设置逐通道空洞卷积层的卷积核的通道数为576，卷积核[0067]在每层空洞残差网络中设置逐点卷积层的卷积核的通道数为576，卷积核的总数9化层对输入特征图进行压缩，再依次采用第一全连接层、RELU激活层、第二全连接层、[0082]7.1)采用ImageNet数据集上的预训练模型初始化Mo[0085]7.4)将训练样本集中的batch张图像输入点，锚框的大小为预测框在原图上对应的步长与参数scale_factor的乘积，参数scale_[0099]7.8)在深度学习网络中反向传播损失[0113]本发明的仿真实验硬件平台为Intel酷睿i78700K@3.7GHzCPU、64GBRAM、78.077.273.254.89M72.7