欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023113157414
申请人: 江南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于YOLOX模型的复杂道路场景目标检测方法,其特征在于,所述方法包括:第一步:获取不同场景下的道路图片,对图片大小进行统一缩放并对像素值进行归一化处理,以构建数据集;

第二步:按照预定比例将所述数据集划分成训练集和测试集;

第三步:构建TA-YOLOX模型,该模型包括特征提取网络、特征融合网络和解耦任务对齐检测头,其中:所述特征提取网络选用darknet53网络,并使用残差连接的方法;所述特征融合网络采用特征金字塔网络对高低维特征进行融合,并采用EMP模块作为下采样模块;所述解耦任务对齐检测头使用ESE模块学习所述特征融合网络输出的特征并学习其中的细粒度特征,再分别输出至定位任务输出层和分类任务输出层;

所述EMP模块包括两条支路,一条支路设有最大池化层,另一条支路设有CBS模块,两条支路经过张量拼接后进入CBS模块;所述CBS模块包括依次相连的卷积层、批归一化层和Silu激活函数;

所述ESE模块通过一个全局平均池化后再经过一个全连接层,最后再通过Sigmoid激活函数后的结果与输入至ESE模块的特征图进行逐元素相乘操作,以提高定位任务和分类任务输出结果的匹配度;

第四步:将所述训练集输入到所述TA-YOLOX模型进行训练,包括:加载特征提取网络的预训练权重,并固定darknet53的权重,初始化特征融合网络以及解耦任务对齐检测头的参数,再将训练集图片按批次输入到所述TA-YOLOX模型中;

将回归预测输出的预测边界框按比例缩放,再对所有的预测边界框进行非极大值抑制,去除冗余的边界框;采用动态成本函数进行正负样本分配,合理规划网络在不同训练阶段的关注点;

以为损失函数计算损失函数值并对未冻结的网络部分更新权重,采取余弦退火学习率进行训练,学习率以迭代总次数为半个周期按余弦曲线变化;

重新执行所述加载特征提取网络的预训练权重的步骤,直至达到所述迭代总次数;

第五步:输出训练好的TA-YOLOX模型用于道路目标检测,利用所述测试集进行模型测试,得到平均准确率、召回率和每秒检测数量,最终实现复杂道路目标的跨尺度检测。

2.根据权利要求1所述的基于YOLOX模型的复杂道路场景目标检测方法,其特征在于,所述采用动态成本函数进行正负样本分配,包括:分别计算每个正样本与真实框的定位损失值和分类损失值,将所述定位损失值和分类损失值相加求和作为正负样本分配时的成本函数,根据模型训练的epoch的变化在所述成本函数中的定位损失前加上一个动态变化的系数,使得定位损失项在训练前期近乎为0,随着训练轮次的增加逐步变大,以提高模型训练前期对分类任务的关注,并让模型在训练后期多关注预测框的定位准确性。

3.根据权利要求1所述的基于YOLOX模型的复杂道路场景目标检测方法,其特征在于,所述TA-YOLOX模型的损失函数包含分类损失、定位损失以及obj损失,计算表达式为:;

式中,和分别代表分类和置信度损失函数,且均采用交叉熵损失函数进行计算,为定位损失函数,采用SGIOU损失函数进行计算,为定位损失函数的平衡系数,为输入特征图上被分配为正样本的单元格数目;

所述SGIOU损失函数的计算表达式为:

;

;

;

;

;

式中,和分别为形状损失和空间距离损失,和为平衡系数,w、h、、分别为预测框和GT框的宽和高,为对形状损失的关注程度,IOU代表预测框和GT框的交集面积与并集面积之比,为GT框和预测框所组成的最小闭包矩形的面积,为GT框的面积,为预测框的面积。