[发明专利]基于自适应多特征融合的微小目标检测方法

说明书

本发明涉及一种基于自适应多特征融合的微小目标检测方法，属于目标检测领域。对提取后的特征先经过传统特征金字塔结果进行特征融合，在这基础上，本发明额外设计了一条路径进一步进行特征融合，再使用自适应多特征融合算法进行多尺度融合，使得微小目标的语义信息在多尺度特征层中进行传播，丰富微小目标的语义信息和纹理信息。同时，使用k‑means算法获得更加合理的先验框参数，加速网络收敛、提高模型精度。最后，对检测结果进行非极大值抑制，筛除重叠物体框。整个网络采用端到端的方式不断更新网络权值，直至收敛。最终，本发明自适应多特征融合的微小目标检测算法能够有效地完成微小目标检测。

技术领域

本发明属于目标检测领域，涉及基于自适应多特征融合的微小目标检测方法。

背景技术

目标检测一直是计算机视觉与模式识别研究领域的重要研究方向，虽然近几年出现了很多基于目标检测的深度学习算法，也给目标检测带来了强大的改进，但是针对于图像中的微小目标(小于15*15像素)检测，还是存在许多需要改进的地方。在深度学习方法流行之前，对于不同尺度的目标，普遍都使用将原图构建出不同分辨率的图像金字塔，再对每层金字塔用固定输入分辨率的检测器来检测目标，以求在金字塔底部检测出小目标。但是对于一些复杂背景和大分辨率的图像来说，图像分辨率较大并且目标较小，这样使用图像金字塔会导致计算量和内存消耗过大等问题。近年来，用深度学习的方法进行目标检测已经取得了较多的成果，其中对于微小目标检测领域，主要分为几类方法：特征金字塔、超分辨率和GAN网络增强等方法。其中，超分辨率和GAN网络增强等方法在输入图像较大时会大大增加计算量和内存消耗，而特征金字塔的主要缺点是不同尺度特征之间的不一致性。为了解决上述问题，本发明发明了一种专门针对于微小目标的检测方法，在传统特征金字塔的基础上增加了新的路径来增强小目标的语义信息，并且对新路径的多尺度特征进行融合，称为自适应多特征融合网络(Adaptively Multi Feature Fusion Network)，该方法可以有效地解决特征金字塔内部的不一致性，从而提高对微小目标的检测效果。同时，本发明还设计了一种轻量级多级特征提取网络(Lightweight Multi-level Feature ExtractionNetwork)，可以简单有效地进行多尺度特征提取。整个网络模型由多级特征提取网络、多特征融合网络和检测网络组成，首先采用多级特征提取网络对输入图像进行特征提取，得到高层语义和低层语义特征；对得到的多尺度特征进行从上至下和从下至上的语义信息传播，并使用自适应多特征融合方法对不同尺度特征进行自适应融合，丰富微小目标的语义信息；再经过检测网络进行多尺度预测，并使用k-means方法产生目标提议框用于分类和回归任务。本发明发明了一种新的特征融合方法，可以直接应用于使用特征金字塔结构的检测器中，对图像中的微小目标检测具有更好的效果和鲁棒性。

发明内容

有鉴于此，本发明的目的在于提供一种基于自适应多特征融合的微小目标检测方法。

为达到上述目的，本发明提供如下技术方案：

基于自适应多特征融合的微小目标检测方法，该发发包括以下步骤：

1)使用提出的轻量级多级特征提取网络提取微小目标的高层语义和低层语义信息，整个特征提取网络由五个特征提取模块构成，每个特征提取模块由一个[3×3,2]的卷积网络和三个卷积块组成，并使用残差连接的方式提高网络的深度和特征提取能力；

2)将下采样率8，16和32的特征层经过特征金字塔结构，使用[1×1,1]的卷积网络处理维度，并使用双线性插值算法处理尺度问题，融合的方式采用通道上的连接，将特征维度提高；

3)在特征金字塔结构的基础上额外增加一条路径以丰富微小目标的语义信息和纹理信息，并使用[3×3,2]的卷积网络进一步提取特征和调整维度，融合的方式依然是通道相加；