(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 202210407781.0 (22)申请日 2022.04.19 (71)申请人 淮阴工学院 地址 210000 江苏省淮安市北京北路89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　朱全银　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 田凌涛 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于Air-Net的目标检测方法 (57)摘要 本发明涉及一种基于Air ‑Net的目标检测方 法， 采用全新模型结构设计， 通过特征提取网络 模块、 特征统一融合与分配模块、 目标检测模块 的依次构建与串联， 获得待训练模型， 并结合各 道路捕获样 本图像， 训练获得以道路捕获样本图 像为输入， 道路捕获样本图像中属于各指定移动 目标类型的各目标对象为输出的目标检测模型； 进而应用目标检测模型， 实现对道路捕获图像中 各目标对象的检测； 整个设计方案克服了现有技 术鲁棒性差、 过程复杂、 检测时间较长的问题， 具 有利用Air ‑Net模型架构、 结构简单、 参数量较少 的优点， 并且通过统一特征融合与分配模块融合 多尺度车辆特征信息， 并分配到目标检测模块 中， 能够充分利用现有特 征。 权利要求书2页 说明书6页 附图3页 CN 114925746 A 2022.08.19 CN 114925746 A 1.一种基于Air ‑Net的目标检测方法， 其特征在于： 按如下步骤A至步骤E， 获得目标检 测模型； 然后应用目标检测模型， 实现对道路捕获 图像中属于预设各指定移动目标类型 的 各目标对象的检测； 步骤A. 基于依次串联连接的各个子特征提取模块DS  Block， 构 建特征提取网络模块， 并由第一个子特征提取模块DS  Block的输入端构成特征提取网络模块的输入端， 用于接收 道路捕获图像， 由至少两个子特征提取模块DS  Block的输出端构成特征提取网络模块的各 个输出端， 输出道路捕获图像所对应的各 特征图， 然后进入步骤B； 步骤B. 基于特征提取网络模块输出端的数量， 构建同数量输入端、 同数量输出端的特 征统一融合与分配模块， 用于针对其各输入端分别所接 收的特征图进行融合、 并进一步针 对融合结果进 行二次特征提取， 获得各二次特征提取图， 由各输出端分别输出， 然后进入步 骤C； 步骤C. 基于特征统一融合与分配模块输出端的数量， 构建同数量输入端的目标检测 模块， 目标检测模块以各二次特征提取图分别一一对应各输入端进行输入， 各二次特征提 取图中属于各指定移动目标类型的各目标对象为输出， 然后进入步骤D； 步骤D. 以特征提取网络模块的各输出端分别一一对应对接特征统一融合与分配模块 的各输入端， 特征 统一融合与分配模块的各输出端分别一一对应对接目标检测模块的各输 入端， 构成以道路捕获 图像为输入， 道路捕获 图像中属于各指定移动目标类型 的各目标对 象为输出的待训练模型， 然后进入步骤E； 步骤E. 基于预设数量道路捕获样本 图像， 且已知各幅道路捕获样本图中属于各指定 移动目标类型 的各目标对 象， 以道路捕获样本图像为输入， 道路捕获样本图像中属于各指 定移动目标类型的各目标对象为输出， 针对待训练模型进行训练， 获得目标检测模型。 2.根据权利要求1所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述步骤A中， 各个子特征提取模块DS  Block的结构彼此相同， 各子特征提取模块DS  Block分别均包括轻 量级特征提取模块EG  Block、 深度可分离卷积模块Dwise  Block、 通道注意力模块SeNet   Attention、 卷积模块、 残差层、 以及下采样特征提取模块DS  DownSampling； 各子特征提取 模块DS Block结构中： 轻量级特征提取模块EG  Block的输入端构成子特征提取模块DS   Block的输入端， 轻量级特征提取模块EG  Block的输出端连接深度可分离卷积模块Dwise   Block的输入端， 深度可分离卷积模块Dwise  Block的输出端连接通道注意力模块SeNet   Attention的输入端， 通道注意力模块SeNet  Attention的输出端连接卷积模块的输入端， 残差层的输入端对接卷积模块的输出端、 轻量级特征提取模块EG  Block的输入端， 残差层 的输出端对接下采样特征提取模块DS  DownSampling的输入端， 下采样特征提取模块DS   DownSampling的输出端构成子特 征提取模块D S Block的输出端。 3.根据权利要求2所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述各子特征 提取模块DS  Block中下采样特征提取模块DS  DownSampling的结构彼此相同， 各下采样特 征提取模块DS  DownSampling分别均包括轻量级特征提取模块EG  Block、 预设步长的深度 可分离卷积模块Dwise  Block、 卷积模块、 残差层、 以及最大池化层Max  Polling； 各下采样 特征提取模块DS  DownSampling结构中： 轻量级特征提取模块EG  Block的输入端与最大池 化层Max Polling的输入端相连， 构成下采样特征提取模块DS  DownSampling的输入端， 轻 量级特征提取模块EG  Block的输出端对接深度可分离卷积模块Dwise  Block的输入端， 预权　利　要　求　书 1/2 页 2 CN 114925746 A 2设步长的深度可分离卷积模块Dw ise Block的输出端对接卷积模块的输入端， 残差层的输入端对接卷积模块的输出端、 最大池化层Max  Polling的输出端， 残差层的 输出端构成下采样特 征提取模块D S DownSampling的输出端。 4.根据权利要求3所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述各子特征 提取模块DS  Block中下采样特征提取模块DS  DownSampling所包括的深度可分离卷积模块 Dwise Block的步长为2。 5.根据权利要求3所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述各子特征 提取模块DS  Block中各轻量级特征提取模块EG  Block的结构彼此相同， 各轻量级特征提取 模块EG Block分别均包括彼此串联连接、 且通道数彼此不同的两个卷积层， 且第一个卷积 层的输入端构成轻量级特征提取模块E G Block的输入端， 第二个卷积层的输出端构成轻量 级特征提取模块EG  Block的输出端。 6.根据权利要求5所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述第一个卷 积层的通道数小于第二个卷积层的通道数。 7.根据权利 要求1至6中任意一项所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述步骤A 中， 由所述特征提取网络模块中倒数预设数量个子特征提取模块DS  Block的输 出端构成特 征提取网络模块的各个输出端。 8.根据权利要求1所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述步骤B中， 基于特征提取网络模块输出端的数量， 所述特征 统一融合与分配模块包括同数量的输入支 路、 同数量的输出支路、 以及融合层， 其中， 各输入支路与各输出支路彼此一一对应； 各输入 支路的结构彼此相同， 各输入支路分别均包括彼此串联连接的卷积层与注意力层， 卷积层 的输入端构成输入支路的输入端， 注意力层的输出端构成输入支路的输出端； 各输入支路 的输入端构成特征 统一融合与分配模块的各输入端， 各输入支路的输出端分别对接融合层 的输入端； 各输出支路分别均由卷积层构成， 由该各卷积层的输入端、 输出端分别构成对应 输出支路的输入端、 输出端， 融合层的输出端分别对接各输出支路的输入端， 同时， 各输出 支路的输入端分别对接对应输入支路中卷积层的输出端； 各输出支路的输出端构成特征统 一融合与分配模块的各输出端。 9.根据权利要求1所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述步骤C中， 基于特征 统一融合与分配模块输出端的数量， 所述目标检测模块包括同数量的分类检测模 块， 各分类检测模块的输入端构成目标检测模块的各个输入端， 各分类检测模块的输出端 构成目标检测模块的输出端。 10.根据权利 要求1所述一种基于Air ‑Net的目标检测方法， 其特征在于： 所述各指定移 动目标类型包括机动车、 自行 车。权　利　要　求　书 2/2 页 3 CN 114925746 A 3