[发明专利]基于注意力梯度的轻量化空对地目标检测方法

说明书

本发明公开的一种基于注意力梯度的轻量化空对地目标检测方法，属于空对地目标检测领域。本发明实现方法为：构建主要由卷积+批归一化+ReLU激活的CBL模块、线性瓶颈结构、注意力梯度模块组成的注意力梯度特征提取网络，并提取原始图像特征，提高注意力梯度特征提取网络对空对地图像的小目标表征能力；使用特征金字塔网络进行特征融合，提高空对地不同尺度目标的检测精度，采用基于数理统计的动态正负样本分配策略提高锚框的分配效率；通过对分类预测模块和位置预测模块解耦处理提高空对地目标检测网络训练的收敛速度，使用累加损失计算达到模型端到端的训练，提高空对地目标检测的精度与效率，降低模型参数，使其更易于部署在算力有限的空对地平台上。

技术领域

本发明属于空对地目标检测领域，特别涉及一种空对地视角下的轻量化目标检测方法。

背景技术

以人工智能为代表的颠覆性技术，正加速空地感知计算向智能化转变，衍生出一系列的智能无人系统。智能无人系统被广泛应用于军事监控、航空摄影、农业播种等领域。快速准确的空对地环境感知能力，是无人系统逐渐走向智能化的必备要求。精准快速的目标检测是实时环境感知的一项关键技术。自然场景下的目标检测已经取得较大进步，但针对空对地的环境感知，仍然面临很多问题。从空中对地面进行拍摄的物体呈现背景复杂、物体旋转角度不同，大小尺度不一、分布不均匀等特点，是计算机领域急需解决的一个难题。另外，考虑目标检测算法需要部署到算力不足、内存较小的嵌入式平台，对模型体积大小也有一定要求。

针对无人机的拍摄视角旋转变化问题，RRPN使用旋转的候选区域来进行检测。在Faster R-CNN算法中引入角度参数，生成带有角度信息的锚定框，进而得到任意方向的候选区域，池化过程是将旋转的候选区域与特征图关联后再进行的池化操作。该方法提升了包围框回归的精度，但由于产生更多的旋转锚定框，计算量较大。CenterNet使用无锚点的目标回归方法。用包围框的中心点来表示目标，目标的尺寸则直接从中心点位置进行回归。针对无人机视场范围过大，小目标难以检测的问题，何凯明等提出FPN网络，融合大小尺度的特征，及多检测层，可以同时检测大中小尺度的目标。针对无人机拍摄目标存在密集性与稀疏性问题，Gao等提出将高分辨率图片先进行分片后进行检测，但是不能保证目标的完整性。Yang等提出ClusDet网络，先对输入图像进行局部密集目标检测，再融合全局目标，得到较好的检测效果。虽然这些方法在空对地目标检测任务上取得一定的精度提升，但是计算量巨大，不利于部署在嵌入式平台上。

发明内容

目前空地环境感知存在以下问题：从空中对地面拍摄的图像因受不同拍摄角度、不同飞行速度、不同拍摄场景等因素影响，造成目标的尺度变化、角度变化、特征变化，将现有计算机视觉领域的目标检测方法直接用到空对地目标检测任务上，检测精度低、速度慢、难以部署。为了解决以上的问题，本发明公开的一种基于注意力梯度的轻量化空对地目标检测方法，针对空中对地面拍摄的图像，构建主要由卷积+批归一化+ReLU激活(CBL)操作、线性瓶颈结构、注意力梯度模块组成的注意力梯度特征提取网络，利用轻量化的注意力梯度特征提取网络进行原始特征的提取，能够显著降低输入图像的尺寸，显著减少注意力梯度特征提取网络的参数量，提高注意力梯度特征提取网络对空对地图像的小目标表征能力；使用特征金字塔网络进行特征融合，提高空对地不同尺度目标的检测精度，采用基于数理统计的动态正负样本分配策略提高锚框的分配效率；使用Focal loss计算分类损失，使用GIoU loss计算回归损失，通过累加损失计算达到模型端到端的训练效果，提高空对地目标检测的精度与效率，降低模型参数，使其更易于部署在算力有限的空对地平台上。

为达到以上的目的，本发明采用以下技术方案。

本发明公开的一种基于注意力梯度的轻量化空对地目标检测方法，