(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 202210822351.5 (22)申请日 2022.07.13 (71)申请人 广州科语 机器人有限公司 地址 511470 广东省广州市南沙区大岗镇 豪岗大道3 0号 (72)发明人 晁人傑　邓亮　郑卓斌　王立磊　 刘若辰　 (74)专利代理 机构 广东北定知识产权代理事务 所(普通合伙) 44761 专利代理师 曹江雄 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOLOX模型的小目标检测方法 (57)摘要 本发明涉及一种基于改进YOL OX模型的小目 标检测方法。 通过获取待检测图像， 对待检测图 像进行特征提取， 得到多个初始特征， 并将多个 初始特征进行跨层特征融合， 得到多个融合特 征， 根据多个融合特征的预测处理结果， 得到针 对该待检测图像的小目标检测结果。 通过多层特 征提取和跨层特征融合， 使 得小目标的浅层特征 和深层特征相互融合处理， 加强小目标特征提取 效果， 避免小目标特征丢失， 提高对图像中小目 标的检测效果。 权利要求书2页 说明书8页 附图5页 CN 115063672 A 2022.09.16 CN 115063672 A 1.基于改进YOLOX模型的小目标检测方法， 其特 征在于， 所述方法包括： 获取待检测图像； 对所述待检测图像进行 特征提取， 得到多个初始特 征； 将所述多个初始特 征进行跨层特 征融合， 得到多个融合特 征； 将所述多个融合特征进行预测处理， 根据处理结果得到所述待检测图像的小目标检测 结果。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述待检测图像进行特征提取， 得 到多个初始特 征， 包括： 对所述待检测图像进行识别， 得到所述待检测图像中的待检测目标尺寸； 若特征提取检测头的感受野大于所述待检测目标尺寸， 对所述待检测图像进行特征提 取， 得到多个初始特 征。 3.根据权利要求2所述的方法， 其特征在于， 所述对所述待检测图像进行特征提取， 得 到多个初始特 征， 包括： 将所述待检测图像依次输入改进YOLOX模型的Focus模块和与所述Focus模块串联的多 个卷积模块进行 特征提取， 得到所述多个初始特 征。 4.根据权利要求3所述的方法， 其特征在于， 包括： 所述多个卷积模块中的每个卷积模 块包括Dark模块和注意力机制模块， 所述注意力机制模块后的嵌入位置配置有检测头 。 5.根据权利要求1所述的方法， 其特征在于， 所述将所述多个初始特征进行特征融合， 得到多个融合特 征， 包括： 将所述多个初始特征按照预先配置的跨层连接位置进行特征融合， 得到所述多个 融合 特征； 其中， 所述跨层连接位置根据所述多个卷积模块和所述改进YOLOX模型的多个特征融 合模块的相对位置关系配置得到 。 6.根据权利要求3所述的方法， 其特征在于， 所述基于所述多个融合特征进行预测处 理， 根据处 理结果得到所述待检测图像的小目标检测结果， 包括： 对所述多个融合特 征进行预测处理， 根据处 理结果得到所述小目标检测结果。 7.根据权利要求1至 6任一项所述的方法， 其特 征在于， 所述方法还 包括： 获取初始图像数据集， 所述初始图像数据集包括训练集和验证集； 将所述训练集输入至待训练的改进YOLOX模型进行训练， 通过所述验证集对改进YOLOX 模型进行验证； 更新所述改进YOLOX模型的模型参数直至模型收敛， 得到训练后的改进YOLOX模型。 8.根据权利要求7所述的方法， 其特征在于， 所述将所述训练集输入至待训练的改进 YOLOX模型进行训练之前， 所述方法还 包括： 获取原始改进YOLOX模型； 将所述原始改进YOLOX模型的网络偏移量初始化为0， 通过Kaiming高斯初始化方法对 所述原始改进YOLOX模 型的网络权重参数进行初始化。 所述Kaiming高斯初始 化方法服 从以 下分布；权　利　要　求　书 1/2 页 2 CN 115063672 A 2其中， Wl为第l层权 重， N为高斯分布， a为ReLU激活函数， nl为第l层的数据维度。 9.根据权利要求7所述的方法， 其特征在于， 所述更新所述改进YOLOX模型的模型参数 直至模型收敛， 包括： 针对训练中的每一次迭代， 根据迭代前的梯度和损 失函数得到迭代后的梯度， 并根据 所述迭代后的梯度执行下一次迭代， 直至训练完全部测试集。 所述梯度包括改进YOLOX模 型 的权重和偏移量； 针对训练中每一轮训练完全部训练集， 将前一次的模型参数进行指数滑动平均， 以得 到所述改进YOLOX模型新的模型参数， 根据所述新的模型参数更新所述改进YOLOX模型， 直 至模型收敛或达 到最大训练轮次。 10.根据权利要求9所述的方法， 其特 征在于， 所述方法还 包括： 通过如下算法获取训练中的改进YOLOX模型的权 重： 其中， Wt和Wt+1为第t次迭代和第t+1次迭代的权重， mW为反向传播算法的学习率， 为损失函数对权 重W的偏导数； 以及， 通过如下算法获取训练中的改进YOLOX模型的偏移量： 其中， bt和bt+1为第t次迭代和第t+1次迭代的偏移量， mb为反向传播算法的学习率， 为损失函数对偏移量b的偏导数； 以及， 每轮训练完后通过下列算法对该轮训练后的改进YOLOX模型的模型参数进行指 数滑动平均(E MA)： 其中， WEMA,k、 bEMA,k分别表示对第k轮训练后的权重和偏移量进行指数滑动平均更新后的 参数值， a为衰减因子， 为第k‑1轮训练后的权 重和偏移量。权　利　要　求　书 2/2 页 3 CN 115063672 A 3