买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京理工大学

摘要：本发明提出了一种基于深度学习的城市高空视角下车辆的检测方法，获取高空视角下包含车辆的图片，对图像进行标注和数据增广预处理，并按比例划分为检测模型的训练集和验证集；使用Ghost卷积结构替换YOLOv5的卷积层，并对backbone增加CA注意力模块，使用CBR层替换YOLOv5的Bottleneck层，增加针对小目标的检测层优化，据此构建改进的YOLOv5网络模型，用于预测车辆信息；使用零开始训练法，训练改进的YOLOv5网络模型，得到最优参数；将实际高空摄像头获取的交通视频数据分解为测试图像，预处理后输入改进的YOLOv5网络模型，完成车辆检测。本发明具有检测精度高、鲁棒性好，同时大大减小了模型尺寸，为模型在边缘设备部署提供了新的解决方案。

主权项：1.一种基于深度学习的城市高空视角下车辆的检测方法，其特征在于，步骤如下：步骤1，获取高空视角下包含车辆的图片，对图像进行标注和数据增广预处理，并按比例划分为检测模型的训练集和验证集；步骤2，使用Ghost卷积结构替换YOLOv5的卷积层，对backbone增加CA注意力模块，使用CBR层替换YOLOv5的Bottleneck层，并增加针对小目标的检测层，据此构建改进的YOLOv5网络模型用于预测车辆信息；步骤3，使用零开始训练法，训练改进的YOLOv5网络模型，得到最优参数；步骤4，将实际高空视角下的交通视频数据分解为测试图像，预处理后输入改进的YOLOv5网络模型，完成车辆检测；步骤2，使用Ghost卷积结构替换YOLOv5的卷积层，对backbone增加CA注意力模块，使用CBR层替换YOLOv5的Bottleneck层，并增加针对小目标的检测层优化，据此构建改进的YOLOv5网络模型用于预测车辆信息，用于预测车辆信息，具体方法为：（a）神经网络模块设计改进的YOLOv5网络模型包括由Backbone模块和CA注意力模块串联得到的特征提取模块，以及特征融合模块，输入图片经过特征提取模块输出多层特征信息，不同层次的特征在特征融合模块进行拼接和融合，最终得到四种尺寸的特征信息输出；（b）特征提取模块设计特征提取网络包括FOCUS层、SPP层、Ghost卷积层、CA注意力模块和CBR模块，图像数据输入首先经过1层FOCUS结构，之后通过2层由第一Ghost卷积层和第一CBR模块串联堆叠的模块，得到浅层特征X1，浅层特征X1依次输入由第二Ghost卷积层和第二CBR模块串联的模块，得到进一步的特征X2，进一步的特征X2依次经过第三Ghost卷积层、SPP模块、第三CBR模块和CA模块堆叠形成的深层特征提取模块，得到深层特征X3；（c）特征融合网络模块设计特征融合网络模块包括上采样、加法器、改进的Ghost卷积层，将深层特征X3经过第四Ghost卷积层得到特征X4，特征X4通过第一上采样层后与特征X2经过第一加法器融合得到特征X6，特征X6依次经过第四CBR模块、第五Ghost卷积层，得到进一步融合特征X5，进一步融合特征X5特征经过上采样层后与浅层特征X1经过第二加法器融合，得到特征X7，特征X7输入第五CBR模块得融合特征X8，特征X7经过第六Ghost卷积层后与特征X5输入第三加法器，第三加法器的输出结果经过第六CBR模块进一步特征提取，得到融合特征X9，第三加法器的输出结果经过第七Ghost卷积层后和特征X4一起输入第四加法器，再通过第七CBR模块进一步特征提取，得到融最终合特征X10，四种不同尺寸的融合特征X5、X8、X9、X10输入检测器，得到置信度分数和候选框位置信息，后续使用非极大值抑制算法进行候选框过滤筛选，最终分类得到预测结果；（d）CBR模块设计第一CBR模块、第二CBR模块、第四CBR模块、第五CBR模块、第六CBR模块、第七CBR模块采用CBR-1，第三CBR模块采用CBR-3；CBR-1和CBR-3模块均由Bottleneck层、卷积层、加法器、BN层、LeakyRelu激活函数模块组成，只是Bottleneck层的个数不同，分别为一个和三个；CBR-n模块中，经过卷积层和n个Bottleneck层的信息，和经过卷积层的信息拼接，再经过BN层和LeakyRelu激活函数模块和一层卷积层输出。

全文数据：

权利要求：

百度查询： 南京理工大学 一种基于深度学习的城市高空视角下车辆的检测方法