[发明专利]一种基于深度学习的检测小目标的方法及系统

说明书

本发明提供一种基于深度学习的检测小目标的方法及系统，通过训练生成基于深度学习的目标检测模型；获取待检测图像，并从所述待检测图像中选取感兴趣区域；利用所述目标检测模型对所述待检测图像以及所述感兴趣区域图像进行模型预测，获取在所述待检测图像尺寸下和感兴趣区域图像尺寸下的目标检测结果。本发明通过利用基于深度学习的目标检测算法进行初步的检测，通过选取ROI的方式进行二次检测可显著提高小目标的检测精度。本发明提出了一种可动态调整的选取ROI区域的方法，通过对ROI区域进行二次检测并对所有检测结果进行整合筛选从而得到最终的检测结果，显著提高了小目标的检测精度。

技术领域

本发明涉及深度学习技术领域，特别是涉及一种基于深度学习的检测小目标的方法及系统。

背景技术

近年来，随着深度学习的快速兴起和发展，人工智能的广泛应用逐渐进入我们的生活，目标检测作为计算机视觉的一个十分重要的任务更是在交通、医疗、智慧城市等领域发挥了巨大作用。由于目标检测是几乎所有事件检测的第一个环节，检测的精度和召回率对事件触发起到至关重要的作用，而在目标检测任务中小目标的检测一直是业界的一大难点。

基于深度学习的目标检测算法大致可以分为两类：单阶段检测(以YOLO系列为代表)和两阶段检测(以R-CNN系列为代表)。单阶段检测算法直接通过卷积对目标进行位置回归和类别的预测；两阶段检测算法在第一阶段生成包含前景目标的候选区域和其大致位置，在第二阶段根据候选区域对目标进行进一步的精确定位和分类。整体而言单阶段检测的算法在精度上不如两阶段检测算法的高，但是因为其具有检测速度快、计算资源消耗少等优点在工程上更加受到青睐。现阶段这两种算法在检测小目标任务中表现并不理想，主要是小目标具有目标特征少、数量占比小和目标位置定位精度要求高等问题。

目标检测是计算机视觉领域中一个新兴的应用方向，任务是从图像中定位并识别特定类别的目标，检测的目标取决于当前任务需要检测的物体有哪些。传统的目标检测主要是通过候选区域选择、手工提取特征和分类器等方法的组合进行检测，存在检测精度低、耗时较长等缺点。近年来随着人工智能相关技术的飞速发展，基于深度学习的目标检测得到广泛应用，主流算法分为单阶段检测和两阶段检测两种方法，大致流程是使用卷积神经网络对图像进行特征提取，然后在特征图上通过锚框生成目标的候选区域，最后通过一系列的后处理得到最终可靠的目标检测结果，相比传统方法具有检测精度高、耗时少等优点。尽管在深度学习的基础上目标检测精度得到了极大的提高，但是在小目标的检测任务中表现仍然不够理想，主要存在以下几个问题：(1)小目标在图像中像素点占比较小，目标特征不明显，相对于复杂背景比较难区分；(2)将图像输入模型经过多层卷积、下采样操作后会导致特征图上的小目标特征丢失；(3)小目标数量相比于大目标数量较少，在训练过程中会因为数量不均衡导致训练出的模型精度较差。

此外，现有技术还存在以下缺点：1、数据预处理工作量较大：需要对数据集中存在小目标的图像进行复制粘贴等一系列的操作，再使用骨干网络提取图像的特征图，处理过程繁琐并且大大增加了工作量。2、资源消耗较大：在预处理阶段需要使用ResNet50模型对每张图像进行前向预测，取其中的四个不同尺度的特征图，然后再通过特征融合将其转变为一个特征图，一系列的操作需要消耗额外的计算资源。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于深度学习的检测小目标的方法及系统，用于解决现有技术中存在的问题。

为实现上述目的及其他相关目的，本发明提供一种基于深度学习的检测小目标的方法，包括以下步骤：

训练生成基于深度学习的目标检测模型；

获取待检测图像，并从所述待检测图像中选取感兴趣区域；所述感兴趣区域包括需要进行小目标检测的矩形区域；

利用所述目标检测模型对所述待检测图像以及所述感兴趣区域图像进行模型预测，获取在所述待检测图像尺寸下和感兴趣区域图像尺寸下的目标检测结果。