[發明專利]基于尺度敏感損失與特征融合的小目標檢測方法和系統

有效

• 申請號: 202110656942.5
• 申請日: 2021-06-11
• 公開（公告）號: CN113221855B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 袁廣林;秦曉燕;琚長瑞;李豪;陳萍;李從利;鮑蕾;黃勤超;任帥軍
• 申請（專利權）人: 中國人民解放軍陸軍炮兵防空兵學院
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/40;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/084
• 代理公司: 河南大象律師事務所 41129
• 代理人: 張輝

本發明提供一種基于尺度敏感損失與特征融合的小目標檢測方法和系統，檢測方法包括：建立訓練數據集和尺度敏感損失與特征融合的目標檢測網絡；所述數據集中包括多張訓練圖像，每張圖像中設置有至少一個待檢測目標；所述檢測模型包括特征提取模塊、特征融合模塊和目標檢測模塊；采用所述訓練數據集對所述檢測模型進行訓練，得到訓練后的檢測模型；訓練過程中所采用的損失函數為包括分類損失部分、回歸損失和下采樣造成的目標偏移損失；將待檢測圖像輸入所述訓練后的檢測模型，得到小目標檢測結果。本發明所提供的技術方案，能夠解決小目標檢測時存在的網絡結構復雜、檢測速度較慢的問題。

技術領域

本發明涉及小目標檢測技術領域，具體涉及一種基于尺度敏感損失與特征融合的小目標檢測方法和系統。

背景技術

小目標檢測是指對圖像中體積較小的目標進行檢測，在小目標檢測技術中，為了提高對小目標檢測的效果，目前常用的技術有多尺度建模與數據增強兩大類方法。

多尺度方法的核心思想是利用深度神經網絡不同層次特征分別預測不同尺度的目標，該方法常用的技術方案包括：

(1)利用淺層特征圖進行小目標檢測，但是由于目標檢測任務同時需要物體的“語義和位置”特征，而語義特征存在于深層特征圖中，因此分層預測的網絡結構難以兼顧小目標的語義和位置特征。

(2)特征金字塔網絡(Feature?Pyramid?Networks，FPN)技術，該技術將深層特征圖上采樣后與淺層特征圖融合，進行多尺度目標預測，一定程度上提升了小目標檢測性能，但FPN技術具有局限性，即只適用于有錨框的目標檢測方法中。

(3)多尺度正樣本訓練技術，該技術將正樣本按照尺度劃分成幾個組，然后分別訓練，其缺點是大大增加了計算量，降低了檢測速度。

數據增強技術的思路是在訓練階段增加小目標樣本數量從而提高模型對小目標的檢測性能，這種做法對小目標物體的檢測也有一定的提升，但是檢測方法所采用網絡的結構復雜，數據處理步驟多，檢測速度較慢。

發明內容

本發明的目的是提供一種基于尺度敏感損失與特征融合的小目標檢測方法和系統，以至少解決上述小目標檢測時存在的網絡結構復雜、檢測速度較慢的問題。

為實現上述目的，本發明的采用如下技術方案：

一種基于尺度敏感損失與特征融合的小目標檢測方法，包括如下步驟：

步驟S1：建立訓練數據集和尺度敏感損失與特征融合的目標檢測網絡；

所述數據集中包括多張訓練圖像，每張圖像中設置有至少一個待檢測目標；

所述檢測模型包括：

特征提取模塊，卷積層、第一殘差模塊、第二殘差模塊、第三殘差模塊和第四殘差模塊；

特征融合模塊，包括第一融合子模塊和第二融合子模塊；所述第一融合子模塊和第二融合子模塊均包括一個反卷積層和一個可變性卷積層，其中第一融合子模塊的輸入量為第三個殘差模塊和第四個殘差模塊的輸出量，所述第二融合子模塊的輸入量為所述第一融合子模塊的輸出量和第二殘差模塊的輸出量；

目標檢測模塊，用于根據所述特征融合模塊的輸出量得到目標檢測結果；

步驟S2：采用所述訓練數據集對所述檢測模型進行訓練，得到訓練后的檢測模型；

訓練過程中所采用的損失函數為包括分類損失部分、回歸損失和下采樣造成的目標偏移損失；

步驟S3：將待檢測圖像輸入所述訓練后的檢測模型，得到小目標檢測結果。