[发明专利]基于小目标特征分布的样本选择方法和目标检测网络

权利要求书

1.一种小目标检测网络，其特征在于，包括：

骨干网络，用于提取输入图像的原始特征，输出多层特征图x₁,x₂,x₃；

特征融合网络，用于对多层特征信息进行融合得到单层融合特征图；

头部检测网络，其包括：

分类分支，用于融合特征图，预测分类特征，输出目标的分类分数；

回归分支，用于融合特征图，预测回归特征，输出目标的边界框信息；

相关性分支，用于根据目标的分类分数和边界框信息，通过一组卷积网络为每个特征点输出一个相关性分数，预测目标的分类和回归的相关性分数。

2.根据权利要求1所述小目标检测网络，其特征在于，特征融合网络包括：

卷积层，用于对特征图x₁,x₂,x₃提取图像特征，得到特征信息

下采样层，包括第一下采样单元和第二下采样单元，第一下采样单元用于对进行下采样，获得与目标分辨率一样大的特征图第二下采样单元用于对进行下采样，获得与目标分辨率一样大的特征图

特征融合层，用于将下采样得到的特征相加，得到特征经过1×1的卷积模块，得到变换后的特征作为权重因子，与特征相乘，得到融合后的特征然后与原始特征相加，得到最终的融合特征图

3.根据权利要求1所述的小目标检测网络，其特征在于，相关性分支使用排序损失计算相关性分数的损失，对分类和回归的相关性进行排序，相关性越大的样本，分数越高，反之，分数越低，计算采用公式：

其中，t_i,t_j表示同一个目标的不同的正样本，O_P表示目标的正样本集合，L_rank表示基于排序的损失函数，f(t)表示计算分类和定位相关性的函数。

4.一种基于小目标特征分布的样本选择方法，其特征在于，包括步骤：

S100、利用目标真实的边界框，从权利要求1～3中任意一项所述的小目标检测网络的特征融合网络输出的特征图中提取目标的ROI特征；

S200、将目标的ROI特征，输入多层感知网络，计算每个目标对应的高斯特征分布；

S300、根据标准的卷积神经网络计算每个特征点的高斯感受野；

S400、根据特征点的高斯感受野与目标的高斯特征分布的距离分数，为每个目标选择适当的正样本和负样本。

5.根据权利要求4所述的样本选择方法，其特征在于，S300中根据标准的卷积神经网络计算每个特征点的高斯感受野，包括：

首先，根据标准卷积对应的感受野计算公式，计算每个特征点的标准感受野：

然后，取标准感受野半径的作为真实感受野的半径，即计算特征点的高斯感受野分布其中，

S200中先计算目标的高斯参数，即从而计算目标的高斯特征分布

6.根据权利要求5所述的样本选择方法，其特征在于，S400中使用KL距离计算目标的高斯特征分布与特征点的高斯感受野分布的距离，公式为：

计算出每个特征点与目标的KL距离，然后对该距离进行归一化处理：

根据上式计算的分数，对每个特征点进行排序，为每个目标选择前n个分数最高的样本作为正样本，根据负样本分布，为每个目标随机选取个m×n负样本，参与网络训练。

7.一种基于小目标特征分布的样本选择装置，其特征在于，包括：

提取模块，用于利用目标真实的边界框，从如权利要求1～3中任意一项所述的小目标检测网络的特征融合网络输出的特征图中提取目标的ROI特征；

特征分布模块，用于将目标的ROI特征，输入多层感知网络，计算每个目标对应的高斯特征分布；

感受野模块，用于根据标准的卷积神经网络计算每个特征点的高斯感受野；

距离模块，用于根据特征点的高斯感受野与目标的高斯特征分布的距离分数，为每个目标选择适当的正样本和负样本。