[发明专利]基于多尺度信息融合的海面小目标检测方法

说明书

基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质，属于人工智能和计算机视觉领域。构建海面小目标仿真数据集；构建深度学习网络模型；利用小目标仿真数据集对构建的深度学习模型进行训练；在训练过程中，通过transformer模块解码和检测出海面小目标的位置和类别信息；利用训练好的模型进行其他场景下的海面小目标检测。本发明创新性使用自上而下的transformer解码策略，对FPN中自上而下的不同尺度特征图采用可变形卷积的方式实现encoder中的自注意力机制，同时从高层的较小特征层开始通过在相邻两个特征层之间引入transformer模块进行解码预测边界框，自上而下通过不断引入包含更多小目标信息的低层特征来不断进行边界框修正，进而提高小目标检测准确率。

技术领域

本发明涉及人工智能和计算机视觉领域，具体涉及一种基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质。

背景技术

目标检测是计算机视觉的核心任务之一，也是其他复杂视觉任务的基础，旨在预测每个感兴趣对象的一组边界框和类别标签。近几年，随着技术的不断成熟，主流目标检测算法对于中、大目标的检测已经取得了一个非常好的效果，但是小目标的检测依旧是限制目标检测算法精度提升的难点。

目前不同场景对于小目标的定义各不相同，主要采用两种标准：1)基于相对尺度的定义。这种定义标准是从目标和图像的相对大小出发，如目标的宽高与图像的宽高比例小于0.1，或者目标边界框的面积与图像总面积的比值平方根小于0.03等。2)基于绝对尺度的定义。这种定义标准是从目标的绝对像素大小出发。比较通用的定义来自公共数据集MSCOCO，其将小目标定义为分辨率小于像素的目标。而在航天图像数据集DOTA上，对小目标的定义进一步缩小到了10至50像素。

小目标检测的难点存在多个方面，如可用特征少，样本不均衡，目标聚集，网络能力差等问题。针对这些难点，目前方法主要从网络结构出发，通过提取多尺度特征，引入注意力机制等加强对小目标的检测。但是一方面这些方法依旧无法高效地利用包含更多小目标信息的低层信息；另一方面目前的公共数据集中存在一个重要缺陷，即小目标样本稀少。现有的数据集大多针对大/中尺度的目标，而对小目标关注较少。在公共数据集MS COCO中，虽然小目标的占比达到31.62％，但是小目标分布极度不均匀，在整个样本集中，存在小目标的图像占比极小，这对于小目标的检测是非常不利。而在一些特定领域，例如海面目标检测，小目标又因为其分辨率低而存在标注困难，边界框标注不准确等问题。因此，开展利用仿真数据增强的、多尺度信息融合的海面小目标检测研究，具有非常重要的现实意义。

在海面小目标(船只)检测领域中，小目标的仿真数据增强主要存在以下两个问题：(1)如何选择小目标的嵌入位置；(2)如何将仿真小目标无缝融入海面场景之中。一方面海平面上的波浪起伏会导致船只的上下起伏，从而使嵌入位置的选择变得困难。另一方面，目前已有的无缝融合技术如泊松融合技术并不适用于小目标并且无法将目标融入前景中，如大雾，阴雨等天气场景。

发明内容

为了解决上述现有技术中存在的问题，提高海面小目标检测的准确度，本发明提供一种基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质，本发明致力于海面小目标如船只等仿真数据的嵌入轨迹规划和无缝融合方式，同时在神经网络中结合多尺度与注意力机制提高海面小目标检测的准确率，研究和探索出一种适用于海面小目标的高精度检测方法，通过构造海面小目标仿真数据集并进行数据增强，训练深度神经网络得到检测模型。

技术方案如下：

一种基于多尺度信息融合的海面小目标检测方法，步骤如下：

步骤S1，构建海面小目标仿真数据集：利用嵌入轨迹规划方法和无缝融合方法，使用所述数据集将船只渲染到场景中，从而根据嵌入位置标注得到准确的边界框和类别信息；