一种图像中极小物体检测方法及系统、存储介质及终端技术方案

本发明专利技术提供一种图像中极小物体检测方法及系统、存储介质及终端，包括获取输入图像，进行至少四组的卷积；后四组卷积得到的特征图分别为第一特征图、第二特征图、第三特征图和第四特征图；对第二特征图进行第一次数上采样得到第五特征图，对第三特征图进行第二次数上采样得到第六特征图，对第四特征图进行第三次数上采样得到第七特征图；将第一特征图、第五特征图、第六特征图和第七特征图连接得到第八特征图；对第八特征图进行卷积得到第九特征图；对第九特征图进行卷积得到第十特征图；基于第十特征图检测输入图像中的极小物体。本发明专利技术的图像中极小物体检测方法及系统、存储介质及终端实现图像中极小物体的检测，保证了图像检测的可靠性和有效性。

【技术实现步骤摘要】
一种图像中极小物体检测方法及系统、存储介质及终端
本专利技术涉及图像处理的
，特别是涉及一种图像中极小物体检测方法及系统、存储介质及终端。
技术介绍
目标检测(objectdetection)，就是在给定的一张图像中精确找到物体所在的位置，并标注出物体的类别。现有技术中，目标检测算法主要是基于深度学习模型，主要包括以下两大类：(1)one-stage检测算法，其不需要候选区域(regionproposal)阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLO、SSD、Retina-Net。(2)two-stage检测算法，用相应的RegionProposal算法从输入图片中生成建议目标候选区域，将所有的候选区域送入分类器进行分类。目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。本文档来自技高网...

【技术保护点】
1.一种图像中极小物体检测方法，其特征在于：包括以下步骤：/n获取输入图像；/n对所述输入图像连续进行至少四组的卷积、池化和非线性函数激活操作；其中，后四组卷积、池化和非线性函数激活操作得到的特征图分别为第一特征图、第二特征图、第三特征图和第四特征图；/n对所述第二特征图进行第一次数上采样操作得到第五特征图，对所述第三特征图进行第二次数上采样操作得到第六特征图，对所述第四特征图进行第三次数上采样操作得到第七特征图；/n对所述第一特征图、所述第五特征图、所述第六特征图和所述第七特征图进行连接，得到第八特征图；/n对所述第八特征图进行第一预设次数卷积、池化和非线性函数激活操作，得到第九特征图；/n...

【技术特征摘要】
1.一种图像中极小物体检测方法，其特征在于：包括以下步骤：
获取输入图像；
对所述输入图像连续进行至少四组的卷积、池化和非线性函数激活操作；其中，后四组卷积、池化和非线性函数激活操作得到的特征图分别为第一特征图、第二特征图、第三特征图和第四特征图；
对所述第二特征图进行第一次数上采样操作得到第五特征图，对所述第三特征图进行第二次数上采样操作得到第六特征图，对所述第四特征图进行第三次数上采样操作得到第七特征图；
对所述第一特征图、所述第五特征图、所述第六特征图和所述第七特征图进行连接，得到第八特征图；
对所述第八特征图进行第一预设次数卷积、池化和非线性函数激活操作，得到第九特征图；
对所述第九特征图进行第二预设次数卷积、池化和非线性函数激活操作，得到第十特征图；
基于所述第十特征图检测所述输入图像中的极小物体。


2.根据权利要求1所述的图像中极小物体检测方法，其特征在于：还包括对所述输入图像进行预处理，以基于预处理后的输入图像进行六次的卷积、池化和非线性函数激活操作。


3.根据权利要求1所述的图像中极小物体检测方法，其特征在于：所述后四组卷积、池化和非线性函数激活操作分别对应两次、八次、八次和四次的连续卷积、池化和非线性函数激活操作。


4.根据权利要求1所述的图像中极小物体检测方法，其特征在于：所述第一次数、所述第二次数和所述第三次数分别为一次、两次和三次；所述第一预设次数为五次，所述第二预设次数为一次。


5.一种图像中极小物体检测系统，其特征在于：包括获取模块、第一卷积模块、上采样模块、连接模块、第二卷积模块、第三卷积模块和检测模块；
所述获取模块用于获取输入图像；
所述第一卷积模块用于对所述输入图像连续进行至少四组的卷积、池化和非线性函数激活操作；其中，后四组卷积、...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：上海蜜度信息技术有限公司，
类型：发明
国别省市：上海;31