[发明专利]一种弱小目标检测方法

说明书

本发明涉及图像目标技术检测领域。提供一种弱小目标检测方法，采用单阶段检测器YOLO，输入图像先经过2倍下采样，再通过高分辨率主干网络进行低倍率下采样，将获得的特征图进行特征融合，再分别输入到检测头中进行检测；同时将下采样后的特征图接入到注意力模块中进行处理，输出的特征图再次进行特征融合预测，得到最后的预测结果。满足了弱小目标检测的实际需求，提高了弱小目标检测效果，对弱小目标的检测有一定精度上的提升。且本发明采用的保留小尺寸目标检测与高分辨率主干网络，注意力机制相结合的方法，可以实现对弱小目标的快速有效检测、同时也能够进行部分类别的识别。

技术领域

本发明涉及图像目标技术检测领域，具体涉及一种弱小目标检测技术。

背景技术

小目标检测是图像中像素占比少的目标，尺寸较小，深度网络能够提取到的特征信息十分有限，小目标在图像中的轮廓、纹理和形状等特征往往不明显。目前最先进的技术是借助计算机视觉在图像中找到并判断该目标所属类别的目标检测技术。但是在检测器检测的过程中往往会忽视掉小目标的这部分特征。与目前应用较为成熟的大尺度、中尺度目标检测不同，小目标自身存在着语义信息少、覆盖面积小等先天不足，导致小目标的检测效果并不理想。目前所使用的单阶段检测器YOLO有着比较快的检测精度以及较高的准确率。但是目前的网络结构中，并非针对于弱小目标的检测，基于此，本发明对其进行弱小目标的适应性改进。

发明内容

为了克服已有得技术问题，本发明提供了一种弱小目标检测技术。满足弱小目标检测的实际需求，提高目前弱小目标检测效果。

为实现上述目的，本发明采用以下具体技术方案：

本发明提供一种弱小目标检测方法，采用单阶段检测器YOLO，输入图像先经过2倍下采样，再通过高分辨率主干网络进行低倍率下采样，将获得的特征图进行特征融合，再分别输入到检测头中进行检测；同时将下采样后的特征图接入到注意力模块中进行处理，输出的特征图再次进行特征融合预测，得到最后的预测结果。

优选地，对所述单阶段检测器YOLO在针对弱小目标时的预选框进行K-Means聚类，得到最合适尺寸的预选框，对目标最大概率覆盖。

优选地，高分辨率主干网络结构为空间特征金字塔结构。

优选地，所述高分辨率主干网络的采样步骤为：

S101：进行不同倍数下采样，获取图像精细特征；

S102：对S1中得到的特征图案进行卷积操作改变特征图案大小；

S103：完成上采样，同时进行分步预测。

优选地，步骤S1所述下采样倍数为4倍，8倍，16倍。

优选地，下采样过程中的每一倍数层通过卷积操作改变特征图大小使之能与上采样过程中的相应的特征图进行特征融合。

优选地，所述注意力模块通过关注目标的有判别性特征区域，在检测过程中对检测目标的特征信息不断细化。

优选地，所述注意力模块处理步骤为：

S201：输入特征Q，大小为H×W×C，经过平均池化处理为1×1×C大小；

S202：经过Relu激活函数以及全连接后层输出特征Q1大小为1×1×C1，C1＝H×W×C/r；

S203：经过Sigmoid函数以及全连接层输出特征Q2，大小为1×1×C2，C2＝H×W×C；

S204：最后通过整形操作处理成H×W×C的特征，再与输入原始特征Q进行哈达玛积处理，输出最终的特征图；

其中H、W、C为输入特征Q的高、宽和通道数；r为指比率。

本发明能取得以下技术效果：