1.一種無(wú)錨框輕量化目標(biāo)檢測(cè)方法，其特征在于包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于無(wú)錨框的輕量化目標(biāo)檢測(cè)方法，其特征在于，上述步驟1進(jìn)一步包括：采用pascal?voc?2007和pascal?voc?2012數(shù)據(jù)集，按一定比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。
3.根據(jù)權(quán)利要求1所述的基于無(wú)錨框的輕量化目標(biāo)檢測(cè)方法，其特征在于，上述步驟4進(jìn)一步包括：使用深度可分離卷積結(jié)構(gòu)替代原主干特征提取網(wǎng)絡(luò)中的普通卷積結(jié)構(gòu)，其過(guò)程為進(jìn)入一個(gè)深度可分離卷積層之后再進(jìn)入batchnormalization標(biāo)準(zhǔn)化層與leakyrelu激活函數(shù)層。深度可分離卷積通過(guò)逐通道卷積(depthwise?convolution)和逐點(diǎn)卷積(pointwise?convolution)可以有效的對(duì)網(wǎng)絡(luò)參數(shù)量進(jìn)行削減。
4.根據(jù)權(quán)利要求1所述的基于無(wú)錨框的輕量化目標(biāo)檢測(cè)方法，其特征在于，上述步驟4進(jìn)一步包括：在特征提取階段先使用1×1的卷積，先對(duì)特征圖進(jìn)行升維操作。然后在網(wǎng)絡(luò)結(jié)構(gòu)中添加改進(jìn)版關(guān)于通道的注意力機(jī)制，主要過(guò)程為對(duì)特征圖進(jìn)行全局平均池化，再通過(guò)1×1的卷積步驟來(lái)壓縮特征，之后再通過(guò)1×1的卷積步驟來(lái)擴(kuò)張?zhí)卣鳌Ｍㄟ^(guò)壓縮和擴(kuò)張通道數(shù)這兩個(gè)步驟最主要的優(yōu)勢(shì)是能夠有效地減少開(kāi)銷(xiāo)，另外在一定程度上也可以達(dá)到將深層特征信息與淺層特征信息進(jìn)行一個(gè)融合的效果，有利于增強(qiáng)特征的提取。最后使用1×1的卷積進(jìn)行對(duì)得到的特征圖進(jìn)行降維的操作。將此步輸出的結(jié)果與在進(jìn)行升維前的結(jié)果引出一個(gè)捷徑分支在通道方向進(jìn)行拼接(concat)。
5.根據(jù)權(quán)利要求1所述的基于無(wú)錨框的輕量化目標(biāo)檢測(cè)方法，其特征在于，上述步驟5進(jìn)一步包括：基于無(wú)錨框的方式在進(jìn)行正樣本的選擇過(guò)程中，代表性的centernet方法使用真實(shí)目標(biāo)的中心點(diǎn)所在網(wǎng)格作為正樣本，通過(guò)預(yù)測(cè)目標(biāo)的中心點(diǎn)偏移量和其寬度、高度，最終得到目標(biāo)的實(shí)際框。但是這種方法存在著一定的不足之處，即通常除了目標(biāo)中心點(diǎn)位置含有較強(qiáng)的特征以外，中心點(diǎn)附近所包含的特征信息往往也不能被忽視。因此僅僅選用中心點(diǎn)所在網(wǎng)格作為正樣本信息會(huì)導(dǎo)致一部分有用特征信息的丟失，從而可能對(duì)預(yù)測(cè)的結(jié)果帶來(lái)一定負(fù)面影響。因此采用以目標(biāo)中心點(diǎn)為圓心做出一個(gè)圓形范圍，來(lái)進(jìn)一步擴(kuò)展有效特征信息的數(shù)目。
6.根據(jù)權(quán)利要求5所述的基于無(wú)錨框的輕量化目標(biāo)檢測(cè)方法，其特征在于，目標(biāo)中心點(diǎn)為圓心做出圓形步驟包括：以真實(shí)目標(biāo)的中心點(diǎn)作為圓心，規(guī)定了一個(gè)以長(zhǎng)度r作為半徑的在特征圖上作出的一個(gè)圓形。其中r的計(jì)算公式定義為：
7.根據(jù)權(quán)利要求1所述的基于無(wú)錨框的輕量化目標(biāo)檢測(cè)方法，其特征在于，所述步驟6進(jìn)一步包括：使用遷移學(xué)習(xí)的方法，通過(guò)依據(jù)停滯范圍的學(xué)習(xí)率調(diào)整策略對(duì)學(xué)習(xí)率進(jìn)行調(diào)整，使用凍結(jié)訓(xùn)練的方法進(jìn)行訓(xùn)練。