(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 202211054228.X (22)申请日 2022.08.31 (71)申请人 中国科学院西安 光学精密机 械研究 所 地址 710119 陕西省西安市高新区新型工 业园信息大道17号 (72)发明人 阮仲聆　曹剑中　梅超　常三三　 任龙　 (74)专利代理 机构 西安智邦专利商标代理有限 公司 6121 1 专利代理师 冯素玲 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于非线性膨胀率卷积模块的目标检 测系统及方法 (57)摘要 本发明涉及一种基于非线性膨胀率卷积模 块的目标检测系统及方法， 以解决目前基于特征 金字塔结构的目标检测算法网络复杂、 传播延 迟 较大、 模型训练时间长， 而导致运行速度与检测 精度失衡的技术问题。 该系统包括骨干网络、 编 码器模块、 反馈连接单元及解耦头， 骨干网络与 编码器模块相接， 编码器模块包括至少一个编码 器且与反馈连接单元及解耦头相接， 编码器包括 标准卷积模块和非线性膨胀率卷积模块。 该方法 包括： 1、 反馈连接单元参数的权重优化； 2、 获取 图像序列； 3、 骨干网络输出当前帧图像的特征 图； 4、 经过 非线性膨胀率卷积模块获取增强特征 图； 5、 获取分类置信度和位置信息； 6、 返回步骤 3， 至图像序列检测完成。 权利要求书2页 说明书6页 附图2页 CN 115393608 A 2022.11.25 CN 115393608 A 1.一种基于非线性膨胀率卷积模块的目标检测系统， 其特征在于： 包括骨干网络和检 测头单元； 所述骨干网络的输出端与检测头单元的输入端相接， 骨干网络用于向检测头单元输出 单级或多 级特征图； 所述检测头单元包括至少一个检测头子单元， 检测头子单元用于接收骨干网络输出的 对应特征图； 所述检测头 子单元包括编码器模块、 反馈连接单 元及解耦头； 编码器模块的输入端接收特征图输入信 息， 特征图输入信 息由骨干网络输出的对应特 征图与反馈连接单元的输出信息逐像素相加后获得； 编 码器模块的一个输出端与解耦头的 输入端相接， 另一个输出端与反馈连接单 元的输入端相接； 编码器模块包括 一个编码器或多个串联的编码器； 所述编码器依照信息传递方向依次包括标准卷积模块和非线性 膨胀率卷积模块； 标准卷积模块包括至少一个标准卷积层； 非线性膨胀率卷积模块包括至少三个膨胀 卷 积层， 沿信息传输方向， 多个膨胀卷积层的膨胀率 为非线性。 2.根据权利要求1所述的基于非线性 膨胀率卷积模块的目标检测系统， 其特 征在于： 所述非线性膨胀率卷积模块包括三个膨胀卷积层， 沿信息传输方向， 三个膨胀卷积层 的膨胀率 为[5， 2， 1]； 所述标准卷积模块包括m个标准卷积层， m为小于等于 5的整数。 3.根据权利要求1或2所述的基于非线性膨胀率卷积模块的目标检测系统， 其特征在 于： 所述反馈连接单 元还包括注意力模块， 注意力模块用于生成反馈系数； 所述注意力模块包括通道注意力模型、 空间注意力模型及复合注意力模型中的一种或 多种。 4.根据权利要求3所述的基于非线性 膨胀率卷积模块的目标检测系统， 其特 征在于： 所述解耦头包括分类预测模块和回归预测模块， 分类预测模块包括至少一个标准卷积 层， 用于通过分类预测获得分类置信度； 回归预测模块包括至少一个标准卷积层， 用于通过 回归预测获得位置信息 。 5.一种基于非线性膨胀率卷积模块的目标检测方法， 其特征在于， 采用权利要求1 ‑4任 一所述的基于非线性 膨胀率卷积模块的目标检测系统， 包括以下步骤： S1、 反馈连接单元参数的权重优化： 采用标准数据集， 并将标准数据集输入骨干网络， 调节反馈连接单元参数， 直至解耦头的分类预测精度和回归预测精度为收敛状态， 完成反 馈连接单 元的参数优化， 反馈连接单 元用于输出反馈图像信息； S2、 通过光电探测获取图像序列； S3、 使用骨干网络获取图像序列中当前帧图像， 并基于卷积神经网络的分类算法提取 当前帧图像中的特 征图， 向检测头单 元传输单级或多 级特征图； S4、 步骤S3中特征图与反馈连接单元输出至编码器模块输入端的反馈图像信息进行逐 像素相加， 获得 特征图输入信息； 检测头子单元中的编码器模块接收对应的特征图输入信 息， 特征图输入信 息经过非线 性膨胀率卷积模块进行特征增强， 获得增强特征图， 增强特征图的维度与步骤S3中的特征权　利　要　求　书 1/2 页 2 CN 115393608 A 2图维度一 致； S5、 将增强特征图输出给解耦头， 解耦头通过增强特征图内提取到的特征信息输出分 类置信度和位置信息， 完成当前帧图像的检测； S6、 返回步骤S3， 直至图像序列检测完成。 6.根据权利要求5所述的基于非线性 膨胀率卷积模块的目标检测方法， 其特 征在于： 步骤S4中， 非线性膨胀率卷积模块包括三个膨胀卷积层， 沿信息传输方向， 三个膨胀卷 积层的膨胀率 为[5， 2， 1]。 7.根据权利要求5或6所述的基于非线性膨胀率卷积模块的目标检测方法， 其特征在 于： 步骤S1中， 所述反馈连接单元还包括注意力模块， 注意力模块包括通道注意力模型、 空 间注意力模型及复合注意力模型中的一种或多种。 8.根据权利要求5所述的基于非线性 膨胀率卷积模块的目标检测方法， 其特 征在于： 步骤S5中， 所述 位置信息采用锚框或边界框的形式在图像中标记。 9.根据权利要求5所述的基于非线性 膨胀率卷积模块的目标检测方法， 其特 征在于： 步骤S4中， 检测头子单元中的编码器模块接收对应的特征图输入信息， 特征图输入信 息经过非线性 膨胀率卷积模块进行 特征增强， 获得增强特 征图， 具体为： 编码器模块为一个编码器， 编码器接收特征图输入信息， 采用标准卷积模块对特征图 输入信息进行处理后输出给三个连续的膨胀卷积层， 沿信息传输方向， 膨胀卷积层膨胀率 依次为[5， 2， 1]， 获得增强特 征图； 或者编码器模块为n个编码器， n为大于1的整数， 沿信息传输方向， 第一个编码器接收 特征图输入信息， 采用标准卷积模块对特征图输入信息进行处理后， 输出给三个连续的膨 胀卷积层， 沿信息传输方向， 膨胀卷积层膨胀率依次为[5， 2， 1]， 然后第一个编码器将处理 后的信息传输给第二个编码器， 直至第n个编码器输出增强特 征图。 10.根据权利要求5所述的基于非线性 膨胀率卷积模块的目标检测方法， 其特 征在于： 步骤S2中， 所述图像序列为视频流或多个图像， 图像序列的格式为RGB格式。权　利　要　求　书 2/2 页 3 CN 115393608 A 3