[發明專利]一種任意尺度的高分辨率圖像小目標檢測方法

有效

• 申請號: 202010023020.6
• 申請日: 2020-01-09
• 公開（公告）號: CN111222474B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 李建清;吳錦濤;王宏
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/80;G06V10/82;G06V10/762;G06V10/764;G06V10/774;G06T7/73
• 代理公司: 深圳國聯專利代理事務所(特殊普通合伙) 44465
• 代理人: 王天興

1.一種任意尺度的高分辨率圖像小目標檢測方法，其特征在于：具體包括以下步驟：

S1、獲取目標數據集，對目標數據集進行標注清洗，并劃分訓練集和測試集；

S2、對步驟S1中的目標數據集通過優化的kmeans聚類算法計算預設錨框Anchors；

S3、設計卷積神經網絡，具體包含以下子步驟：

S31、以YOLOv3骨干網絡Darknet-53為基礎構建特征提取網絡，包含53個卷積層和23個shortcut層，形成類殘差網絡結構，每個卷積層后都會有一個Batch Normalization層和LeakyReLU激活層，Batch Normalization層用于在每個Batch上將其按一層的激活值重新規范化，LeakyReLU激活層對上層的輸出增加非線性，整個特征提取網絡有5次下采樣，其中下采樣操作通過卷積層增加卷積步長完成；

S32、通過步驟S31特征提取網絡，得到原圖大小的特征圖，并在該尺度特征圖上進行目標分類和位置預測；

S33、將步驟S32累加得到的特征圖，通過添加補丁的方式進行上采樣放大2倍，使得上采樣得到的特征圖和特征提取層對應尺寸的特征圖各個維度保持一致，然后進行累加得到原圖大小的特征圖，并在該尺度特征圖上進行目標分類和位置預測；

將步驟S33累加得到的特征圖，通過添加補丁的方式進行上采樣放大2倍，使得上采樣得到的特征圖和特征提取層對應尺寸的特征圖各個維度保持一致，然后進行累加得到原圖大小的特征圖，并在該尺度特征圖進行目標分類和位置預測；

將步驟S34累加得到的特征圖，通過添加補丁的方式進行上采樣放大2倍，使得上采樣得到的特征圖和特征提取層對應尺寸的特征圖各個維度保持一致，然后進行累加得到原圖大小的特征圖，并在該尺度特征圖進行目標分類和位置預測；

S34、將步驟S32和S33中各個尺度上目標分類和位置預測坐標映射到原圖上，通過非極大值抑制輸出精確的小目標檢測結果；

S4、將步驟S1中得到的訓練集和對應的樣本標簽作為輸入數據，利用步驟S3中得到的卷積神經網絡進行訓練，修改網絡配置文件，增加在原圖大小特征圖上的預測層的網絡參數，并把步驟S2中所得的12組Anchor作為預設Anchors替換原始配置文件中預測網絡中YOLO層的Anchors，不固定輸入網絡尺寸，讀取每個Batch的圖片中最大尺寸為該Batch的輸入尺寸，小于最大尺寸的圖片通過添加補丁的方式進行擴充，訓練過程中待性能評價指標達到收斂終止訓練，得到小目標檢測模型；

S5、根據步驟S4得到的神經網絡模型，對測試數據集進行檢測，得到檢測結果。

2.根據權利要求1所述的一種任意尺度的高分辨率圖像小目標檢測方法，其特征在于：所述步驟S1具體包括以下子步驟：

S11、選取數據集中包含汽車的圖片作為目標數據集，對目標數據集進行標注清洗，構成實驗中所用的數據集和樣本標簽；

S12、對步驟S11中得到的數據集和樣本標簽進行旋轉、翻轉、加噪聲操作，實現數據擴展和數據增強，不對圖片進行尺寸變換；

S13、對步驟S12中得到的數據集和對應樣本標簽隨機打亂后，任取80％～90％作為訓練集，剩下的作為測試集。