[发明专利]一种基于多头自注意力机制的无人机变尺寸目标检测方法

说明书

一种基于多头自注意力机制的无人机变尺寸目标检测方法，属于目标检测技术领域，本发明为解决现有无人机目标检测算法对于小目标检测性能差的问题。本发明包括：建立数据集；建立网络结构：采用多头自注意力机制建立多头自注意力目标检测头网络，所述多头自注意力目标检测头网络的后端采用Faster Rcnn基本框架，在多头自注意力目标检测头网络的回归层再次引入自注意力机制；分步骤进行网络训练；对目标物体进行检测：对图像进行预处理后输入多头自注意力目标检测头网络，多头自注意力目标检测头网络输出检测结果。本发明用于对大小变化目标无人机的目标检测。

技术领域

本发明涉及一种基于多头自注意力机制的无人机变尺寸目标检测方法，属于目标检测技术领域。

背景技术

随着无人机技术的迅速成熟和发展，消费级无人机价格不断降低，操作智能性和便利性不断提升，无人机的使用门槛不断降低，在包括军事用途、城市管理、地理测绘、日常出行等众多领域取得了大量的应用和进步，因此，无人机在日常生活中的使用逐渐增多。

随着无人机数量和使用的不断增加，通过无人机机载摄像头拍摄的图片和视频数量也在逐步提升，通过无人机，能够快速获得大量包括地理信息、车辆行人信息、城市建设情况等多种信息的数据样本。但由于无人机图像的覆盖区域大，信息一般难以被有效提取，传统的统计方式需要依靠大量的人工手动计数，严重影响了无人机影像的应用。

近年来，深度学习技术的突破发展提出了大量目标检测网络，一定程度上解决了图像视频目标检测与跟踪的任务。诸如：Yolo V3、SSD、Faster RCNN、Retina Net等网络在已有公开数据集和实际引用中均取得了较好的性能，广泛应用于监控影像等近平视高度图像的目标检测中。但由于受到飞行高度、俯视角度、物体小而密集、背景干扰大、物体大小变化等因素的影响，这些算法在无人机图像中效果并不理想。

注意力机制最早在自然语言处理领域中被提出，用于解决语言翻译、对话生成问题等中的连接权重分配问题，近两年开始用于图像领域，通过在特定层的使用，提高网络对区域信息的判断和使用，取得了一定的效果。但是，大量采用注意力机制代替卷积网络的应用仍较少。

发明内容

本发明目的是为了解决现有无人机目标检测算法对于小目标检测性能差的问题，提供了一种基于多头自注意力机制的无人机变尺寸目标检测方法。

本发明所述一种基于多头自注意力机制的无人机变尺寸目标检测方法，它包括：

S1、建立数据集：

采用无人机的机载摄像头采集一组包含目标物体的图片，获取一组数据，结合开源数据集制作标签，建立数据集；

S2、建立网络结构：

根据S1获取的数据集，采用多头自注意力机制建立多头自注意力目标检测头网络，所述多头自注意力目标检测头网络的后端采用Faster Rcnn基本框架，在多头自注意力目标检测头网络的回归层再次引入自注意力机制；

S3、分步骤进行网络训练，获得训练好的多头自注意力目标检测头网络；

S4、对目标物体进行检测：

无人机的机载摄像头采集目标物体的图像，对图像进行预处理后输入S3获取的多头自注意力目标检测头网络，多头自注意力目标检测头网络输出检测结果。

优选的，S1所述采集一组包含目标物体的图片获取一组数据集的过程包括：

对图片进行去噪、数据归一化和图片数据降采样。

优选的，S2所述建立多头自注意力目标检测头网络的方法包括：

S2-1、将数据集依次输入两个标准残差块中，数据在每个标准残差块中依次经过卷积层、合并层和激活层，然后向高维度特征空间映射，获得上层网络计算结果；