[发明专利]一种图像中小目标检测方法、系统、存储介质及终端

说明书

本发明公开了一种图像中小目标检测方法、系统、存储介质及终端，该方法包括：当从待检测的图像中检测小目标时，加载预先训练的小目标检测模型；剔除小目标检测模型中反转注意力模块生成剔除后的小目标检测模型；其中，小目标检测模型是基于Faster RCNN检测网络、SSD检测器以及反转注意力模块创建的，所述反转注意力模块用于实现模型训练时将不同维度下生成的特征图进行融合；将待检测的目标图像输入剔除后的小目标检测模型中提取至少一个小目标特征；对至少一个小目标特征进行分类和边框回归处理后，生成处理后的小目标检测框。因此，采用本申请实施例，可以降低图像中的小目标、小人脸的检测难度，提升图像中小目标检测精度。

技术领域

本发明涉及计算机的深度学习技术领域，特别涉及一种图像中小目标检测方法、系统、存储介质及终端。

背景技术

基于深度学习的目标检测任务中，特别是实际场景中广泛应用的人脸检测任务中，对于小目标、小人脸的检测难度很大，面临许多技术挑战，这是因为图片分辨率比较低，图片模糊，背景噪音多。

现有的小目标检测方法主要包括传统的图像金字塔和多尺度滑动窗口检测小目标。还包括基于数据扩增方法，通过增加小目标样本数量和种类来提升小目标检测性能；基于特征融合的方法，将高层、低层的多尺度特征融合来提升检测性能；基于锚采样和匹配策略的方法；利用上下文信息的方法等。现有技术中在进行模型训练时所用的目标检测训练集缺乏像素级别的标注，而仅对目标的位置坐标与类别作了标注，这就会导致目标检测网络训练时不能充分挖掘目标上下文信息，而深度网络模型从低分辨率的小目标上提取的特征比较粗糙，尺寸较小的目标相比较于预设大小的目标候选框，其特征信息所占比例比较小从而提升了图像中的小目标的检测难度，降低了图像中小目标检测精度。

发明内容

本申请实施例提供了一种图像中小目标检测方法、系统、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种图像中小目标检测方法，方法包括：

当从待检测的图像中检测小目标时，加载预先训练的小目标检测模型；

剔除所述小目标检测模型中的反转注意力模块后，生成剔除后的小目标检测模型；其中，所述小目标检测模型是基于Faster RCNN检测网络、SSD检测器以及反转注意力模块创建的，所述反转注意力模块用于实现模型训练时将不同维度下生成的特征图进行融合；

将所述待检测的目标图像输入所述剔除后的小目标检测模型中，提取至少一个小目标特征；

对所述至少一个小目标特征进行分类和边框回归处理后，生成处理后的小目标。

可选的，所述生成处理后的小目标检测框之后，还包括：

输出所述处理后的小目标，并将所述小目标进行展示。

可选的，还包括按照下述方法生成所述预先训练的小目标检测模型，包括：

设计小目标检测模型；

从图像数据库采集多个训练数据样本；

将所述多个训练数据样本输入所述创建的小目标检测模型进行训练，输出所述小目标检测模型的损失值；

当所述损失值到达预设最小阈值时，模型训练结束并生成预先训练的小目标检测模型。

可选的，所述方法还包括：

当所述损失值未到达预设最小阈值时，优化所述创建的小目标检测模型的模型参数；以及

继续执行所述将所述多个训练数据样本输入所述创建的小目标检测模型进行训练的步骤。