[發明專利]一種圖像中小目標檢測方法、系統、存儲介質及終端

在審

• 申請號: 202011307843.8
• 申請日: 2020-11-19
• 公開（公告）號: CN112488999A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 趙磊
• 申請（專利權）人: 特斯聯科技集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06K9/46
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 劉廣達

1.一種圖像中小目標檢測方法，其特征在于，所述方法包括：

當從待檢測的圖像中檢測小目標時，加載預先訓練的小目標檢測模型；

剔除所述小目標檢測模型中的反轉注意力模塊后，生成剔除后的小目標檢測模型；其中，所述小目標檢測模型是基于Faster RCNN檢測網絡、SSD檢測器以及反轉注意力模塊創建的，所述反轉注意力模塊用于實現模型訓練時將不同維度下生成的特征圖進行融合；

將所述待檢測的目標圖像輸入所述剔除后的小目標檢測模型中，提取至少一個小目標特征；

對所述至少一個小目標特征進行分類和邊框回歸處理后，生成處理后的小目標。

2.根據權利要求1所述的方法，其特征在于，所述生成處理后的小目標檢測框之后，還包括：

輸出所述處理后的小目標，并將所述小目標進行展示。

3.根據權利要求1所述的方法，其特征在于，還包括按照下述方法生成所述預先訓練的小目標檢測模型，包括：

設計小目標檢測網絡；

從圖像數據庫采集多個訓練數據樣本；

將所述多個訓練數據樣本輸入所述創建的小目標檢測網絡進行訓練，輸出所述小目標檢測網絡的損失值；

當所述損失值到達預設最小閾值時，網絡訓練結束并生成預先訓練的小目標檢測模型。

4.根據權利要求3所述的方法，其特征在于，所述方法還包括：

當所述損失值未到達預設最小閾值時，優化所述創建的小目標檢測網絡的模型參數；以及

繼續執行所述將所述多個訓練數據樣本輸入所述創建的小目標檢測網絡進行訓練的步驟。

5.根據權利要求3所述的方法，其特征在于，所述設計小目標檢測網絡，包括：

利用Faster RCNN檢測網絡和SSD檢測器構建成多個檢測網絡；

采用注意力神經網絡以及網絡權重更新算法創建反轉注意力模塊；

將所述反轉注意力模塊添加到所述多個檢測網絡中，生成小目標檢測網絡。

6.根據權利要求3所述的方法，其特征在于，所述小目標檢測網絡包括目標特征提取模塊、候選區域生成模塊、目標區域池化模塊、候選目標檢測模塊、反轉注意力模塊以及更新特征圖模塊；

所述將所述多個訓練數據樣本輸入所述創建的小目標檢測網絡進行訓練，輸出所述小目標檢測網絡的損失值，包括：

目標特征提取模塊通過VGG和/或RESNET卷積神經網絡提取所述多個訓練樣本中每張圖片的多個特征圖；

候選區域生成模塊通過候選區域生成網絡從所述多個特征圖中計算出所述多個特征圖對應的小目標區域候選框；

目標區域池化模塊將所述多個特征圖對應的小目標區域候選框中感興趣的目標區域進行池化操作，生成池化后的多個小目標區域候選框對應的特征圖；

候選目標檢測模塊將所述多個訓練樣本中每張圖片上的目標候選框對應的RoI特征進行分類并在原圖上對邊框進行回歸操作，生成池化后的多個小目標區域候選框對應的分類損失和回歸損失；

反轉注意力模塊基于多個小目標區域候選框對應的分類損失計算所述池化后的多個小目標區域候選框對應的特征圖的特征圖梯度，并基于所述多個小目標區域候選框對應的特征圖的特征圖梯度生成注意力反轉增強模板圖；

更新特征圖模塊將所述注意力反轉增強模板圖與所述池化后的多個小目標區域候選框對應的特征圖進行逐元素乘積，生成融合后的特征圖，根據所述融合后的特征圖進行前向傳播以計算檢測損失，并輸出所述小目標檢測網絡的損失值。