(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 202211156147.0 (22)申请日 2022.09.22 (71)申请人 淮阴工学院 地址 223003 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 高尚兵　胡序洋　李杰　李少凡　 张骏强　张秦涛　张莹莹　张海艳　 于永涛　张正伟　张浩　陈晓兵　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/80(2022.01) G06V 10/52(2022.01) G06V 10/774(2022.01) G06V 10/776(2022.01) (54)发明名称 一种基于Light -Net的轻量级目标检测方法 及系统 (57)摘要 本发明提供了一种基于Light ‑Net的轻量级 目标检测方法及系统， 首先对预先 获取的待检测 图像， 进行预处理， 并划分为训练集和测试集； 构 建Light‑Net网络模型， 包括由六个DW特征提取 模块构成的主干网络、 一个循环特征融合网络模 块以及三个目标检测模块； 将预处理之后的训练 集输入到Light ‑Net网络模型中进行训练； 将预 处理之后的测试集输入到训练好的模 型中， 评估 模型的性能。 本发明构建的Light ‑Net模型架构 结构简单， 形成的环状结构能够尽可能的将有效 的特征保存在网络中， 额外的反馈连接能够将循 环特征融合网络模块中的有效信息以及错误信 息回传到主干网络中， 指导主干网络的参数调 整； 且能采用较少参数实现图像中目标的准确识 别。 权利要求书1页 说明书4页 附图2页 CN 115457367 A 2022.12.09 CN 115457367 A 1.一种基于L ight‑Net的轻量级目标检测方法， 其特 征在于， 包括以下步骤： (1)对预先获取的待检测图像， 进行 预处理， 并划分为训练集和 测试集； (2)构建Light ‑Net网络模型， 包括由三个DW特征提取模块和三个DWD模块构成的主干 网络、 一个循环特征融合网络模块以及三个目标检测模块； 所述主干网络第1、 3、 5层 采用DW 特征提取模块； 主干网络第2、 4、 6层采用DWD模块； 所述循环特征融合网络模块用于融合来 自主干网络的特征信息并将有效特征反馈到主干网络中； 所述目标检测模块利用融合后的 特征提取图像中的目标对象； (3)将预处 理之后的训练集输入到L ight‑Net网络模型中进行训练； (4)将预处 理之后的测试集输入到训练好的模型中， 评估 模型的性能。 2.根据权利要求1所述的一种基于Light ‑Net的轻量级目标检测方法， 其特征在于， 步 骤(2)所述DW特征提取模块用于提取图像中的目标特征信息； 所述DWD模块用于降低图像的 分辨率。 3.根据权利要求1所述的一种基于Light ‑Net的轻量级目标检测方法， 其特征在于， 所 述DW特征提取模块包括主分支和侧分支， 主分支中包括一个1*1的point  wise卷积层， 两个 3*3的dept h wise卷积层， 一个1*1的point  wise卷积层； 侧分支包括一个1*1的point  wise 卷积层和3 *3的depth wise卷积层； 主分支与侧分支并行 连接。 4.根据权利要求1所述的一种基于Light ‑Net的轻量级目标检测方法， 其特征在于， 所 述DWD模块包括主分支和侧分支， 主分支中包括一个1*1的point  wise卷积层， 一个3*3的步 长为2的depth  wise卷积层， 一个SE  Block模块， 一个1*1的point  wise卷积层； 侧分支包括 一个步长为2的平均池化层和1*1的po int wise卷积层； 主分支与侧分支并行 连接。 5.根据权利要求1所述的一种基于Light ‑Net的轻量级目标检测方法， 其特征在于， 所 述循环特征融合网络模块包括三个1*1卷积， 五个DPB模块， 一个Concat， 其中五个DPB模块 和Concat形成特征融合环， 将有效特征留在网络中， 两个1*1卷积层将来自主干网络的特征 进行融合， 一个1*1卷积层将循环特 征融合网络模块中的特 征融合之后反馈 到主干网络中。 6.根据权利要求1所述的一种基于Light ‑Net的轻量级目标检测方法， 其特征在于， 所 述步骤(3)实现过程如下： 将训练图像作为训练样本数据输入到Light ‑Net网络模型中； 计 算Light‑Net网络的损失， 以损失最小作为目标对网络中的参数持续优化； 当损失值稳定在 一定范围内时， 保存网络参数， 得到最终的L ight‑Net检测模型。 7.一种采用如权利要求1 ‑6任一所述方法的基于Li ght‑Net的轻量级目标检测系统， 其 特征在于， 包括由三个DW特征提取模块和三个DWD模块构成的主干网络、 一个循环特征融合 网络模块以及三个目标检测模块； 所述主干网络第1、 3、 5层 采用DW特征提取模块； 主干网络 第2、 4、 6层采用DWD模块； 所述DW特征提取模块用于提取图像中的目标特征信息， DWD模块用 于降低图像的分辨率； 所述循环特征融合网络， 用于融合主干网络中的两种尺度的特征， 同 时将有效信息和错误信息回传至主干网络， 可以调整主干网络的参数； 所述 目标检测网络 用于检测 输入的特征是否含有预设的目标信息； 所述主干网络第4、 5、 6层与循环特征融合 网络相连接； 所述循环特征融合网络模块由DPB模块、 Concat模块、 1*1卷积模块组成， 循环 特征融合网络模块共有三种尺度的输出， 每 个输出端连接一个 检测器。权　利　要　求　书 1/1 页 2 CN 115457367 A 2一种基于Light ‑Net的轻量级目标 检测方法及系统 技术领域 [0001]本发明属于计算机视觉技术领域， 具体涉及一种基于Light ‑Net的轻量级目标检 测方法及系统。 背景技术 [0002]基于卷积神经 网络的目标检测方法主要 分为单阶段(one ‑stage)的目标检测方法 和两阶段(two ‑stage)的目标检测方法： Zhou等人提出了一种 基于概率的两阶段目标检测 网络CenterNet2， 在第一阶段推断出 目标与背景的似然性， 在第二阶段对具体类别进行回 归。 Qin等人提出一种轻量级两阶段实时目标检测算法， 该算法中提出轻量级主干网络 SNet， 同时压缩RPN以及R ‑CNN子网络减少网络参数量， 使用CEM(Context  Enhancement   Module)及SAM(Spatial  Attention  Module)模块整 合上下文信息同时优化特征分布 。 上述 网络模型较为复杂， 参数量以及运算量较大， 虽然能达到较高的准确率， 但要求部署平台具 备较高的计算 性能， 难以满足 实际场景中的要求。 发明内容 [0003]发明目的： 针对目前目标检测参数量大， 模型复杂， 检测时间较长的问题， 本发明 提出一种基于L ight‑Net的轻量级目标检测方法及系统。 [0004]技术方案： 本 发明提出一种基于Light ‑Net的轻量级目标检测方法， 具体包括以下 步骤： [0005](1)对预先获取的待检测图像， 进行 预处理， 并划分为训练集和 测试集； [0006](2)构建Light ‑Net网络模型， 包括由三个DW特征提取模块和三个DWD模块构成的 主干网络、 一个循环特征融合网络模块以及三个目标检测模块； 所述主干网络第1、 3、 5层 采 用DW特征提取模块； 主干网络第2、 4、 6层采用DWD模块； 所述循环特征融合网络模块用于融 合来自主干网络的特征信息并将有效特征反馈到主干网络中； 所述目标检测模块利用融合 后的特征提取图像中的目标对象； [0007](3)将预处 理之后的训练集输入到L ight‑Net网络模型中进行训练； [0008](4)将预处 理之后的测试集输入到训练好的模型中， 评估 模型的性能。 [0009]进一步地， 步骤(2)所述DW特征提取模块用 于提取图像中的目标特征信息； 所述 DWD模块用于降低图像的分辨 率。 [0010]进一步地， 所述DW特征提取模块包括主分支和侧分支， 主分支中包括一个1*1的 point wise卷积层， 两个3*3的dept h wise卷积层， 一个1*1的point  wise卷积层； 侧分支包 括一个1*1的po int wise卷积层和3 *3的depth wise卷积层； 主分支与侧分支并行 连接。 [0011]进一步地， 所述DWD模块包括主分支和侧分支， 主分支中包括一个1*1的point   wise卷积层， 一个3*3的步长为2的dept h wise卷积层， 一个SE  Block模块， 一个1*1的point   wise卷积层； 侧分支包括一个步长为2的平均池化层和1*1 的point wise卷积层； 主分支与 侧分支并行 连接。说　明　书 1/4 页 3 CN 115457367 A 3