【技术实现步骤摘要】
一种联合超分辨率重建的小目标检测方法
本申请涉及电力设备检测控制领域，具体而言，涉及一种联合超分辨率重建的小目标检测方法。
技术介绍
小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点，也是视觉领域的研究热点。小目标的检测精度通常只有大目标的一半，小目标有两种定义方式，一种是相对尺寸大小，如目标尺寸的长宽是原图像尺寸的0.1，即可认为是小目标，另外一种是绝对尺寸的定义，即尺寸小于32*32像素的目标即可认为是小目标。小目标检测在深度卷积神经网络学习模型中一直是一个难题。早期的目标检测框架大多数是针对通用的目标来进行检测，如经典的单阶段方法yolo和ssd，两阶段方法faster-rcnn等，这些方法主要是针对通用目标数据集来设计的解决方案，因此对于图像中的小目标来说，检测效果不是很理想。为了解决小目标问题提出的方法有：图像的缩放，在检测前对图像进行缩放。但是，由于大图像变得太大，无法装入GPU进行训练，因此单纯的升级并不有效。在一些实现方式中，首先下采样图像；然后利用强化学习训练基于注意力...
【技术保护点】
1.一种联合超分辨率重建的小目标检测方法，其特征在于，包括以下步骤：/n选择Microsoft COCO和SUN数据库中大量包含小目标的图像分别构建网络预训练的预训练集和预测试集；搜集电网环境下包含小目标的图像分别构建网络微调的微调训练集和微调测试集；/n基于上述预训练集和预测试集、微调训练集和微调测试集，通过结合4PP-EUSR超分辨率算法模型与上采样模型、鉴别器、质量评估构建超分辨率重建网络模型；/n通过在Faster R-CNN算法框架中对分辨率低的小目标对其所在的proposal利用上述超分辨率重建网络模型提升小目标的特征质量并进行后续小目标的检测，构建小目标检测深度卷积神经网络。/n
【技术特征摘要】
1.一种联合超分辨率重建的小目标检测方法，其特征在于，包括以下步骤：
选择MicrosoftCOCO和SUN数据库中大量包含小目标的图像分别构建网络预训练的预训练集和预测试集；搜集电网环境下包含小目标的图像分别构建网络微调的微调训练集和微调测试集；
基于上述预训练集和预测试集、微调训练集和微调测试集，通过结合4PP-EUSR超分辨率算法模型与上采样模型、鉴别器、质量评估构建超分辨率重建网络模型；
通过在FasterR-CNN算法框架中对分辨率低的小目标对其所在的proposal利用上述超分辨率重建网络模型提升小目标的特征质量并进行后续小目标的检测，构建小目标检测深度卷积神经网络。
2.根据权利要求1所述的联合超分辨率重建的小目标检测方法，其特征在于，所述构建超分辨率重建网络模型包括以下步骤：
在DIV2K数据集上，利用损失函数训练EUSR模型，得到放大4倍的输出图像；
在TID2013数据集上，结合EUSR生成的图像与LeKang盲图像质量评价网络，以EMD距离为损失函数，完成整体质量评价分支的训练；
评价重建损失、对抗损失、质量损失、主观表达损失，微调EUSR与鉴别器组合的整体网络损失。
3.根据权利要求1所述的联合超分辨率重建的小目标检测方法，其特征在于，所述构建小目标检测深度卷积神经网络包括以下步骤：
基于FasterR-CNN网络结构，在RPN网络中设置尺寸合适的锚点框；
通过所述超分辨率重建网络模型对proposal区域进行超分辨重建，对上述重建后的锚点框内的目标进行识别。
4.根据权利要求1所述的联合超分辨率重建的小目标检测方法，其特征在于，通过在FasterR-CNN算法框架中对分辨率低的小目标对其所在的proposal利用上述超分辨率重建网络模型提升小目标的特征质量并进行后续小目标的检测，构建小目标检测深度卷积神经网络，之后还可以包括步骤：
在不改变图像尺寸的情况下通过使用正反卷积网络模型再次进行锚点框内的目标识别，将应用两种超分辨率技术检测的结果求并集，得到最终的结果。
5.根据权利要求4所述的联合超分辨率重建的小目标检测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：赵旭，李仕林，李梅玉，李宏杰，韩凯，孙晨曦，马启林，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南;53
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。