一种图像中小目标检测方法、系统、存储介质及终端技术方案

本发明专利技术公开了一种图像中小目标检测方法、系统、存储介质及终端，该方法包括：当从待检测的图像中检测小目标时，加载预先训练的小目标检测模型；剔除小目标检测模型中反转注意力模块生成剔除后的小目标检测模型；其中，小目标检测模型是基于Faster RCNN检测网络、SSD检测器以及反转注意力模块创建的，所述反转注意力模块用于实现模型训练时将不同维度下生成的特征图进行融合；将待检测的目标图像输入剔除后的小目标检测模型中提取至少一个小目标特征；对至少一个小目标特征进行分类和边框回归处理后，生成处理后的小目标检测框。因此，采用本申请实施例，可以降低图像中的小目标、小人脸的检测难度，提升图像中小目标检测精度。

【技术实现步骤摘要】
一种图像中小目标检测方法、系统、存储介质及终端
本专利技术涉及计算机的深度学习
，特别涉及一种图像中小目标检测方法、系统、存储介质及终端。
技术介绍
基于深度学习的目标检测任务中，特别是实际场景中广泛应用的人脸检测任务中，对于小目标、小人脸的检测难度很大，面临许多技术挑战，这是因为图片分辨率比较低，图片模糊，背景噪音多。现有的小目标检测方法主要包括传统的图像金字塔和多尺度滑动窗口检测小目标。还包括基于数据扩增方法，通过增加小目标样本数量和种类来提升小目标检测性能；基于特征融合的方法，将高层、低层的多尺度特征融合来提升检测性能；基于锚采样和匹配策略的方法；利用上下文信息的方法等。现有技术中在进行模型训练时所用的目标检测训练集缺乏像素级别的标注，而仅对目标的位置坐标与类别作了标注，这就会导致目标检测网络训练时不能充分挖掘目标上下文信息，而深度网络模型从低分辨率的小目标上提取的特征比较粗糙，尺寸较小的目标相比较于预设大小的目标候选框，其特征信息所占比例比较小从而提升了图像中的小目标的检测难度，降低了图像中小目标检测精度。
技术实现思路
本申请实施例提供了一种图像中小目标检测方法、系统、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。第一方面，本申请实施例提供了一种图像中小目标检测方法，方法包括：r>当从待检测的图像中检测小目标时，加载预先训练的小目标检测模型；剔除所述小目标检测模型中的反转注意力模块后，生成剔除后的小目标检测模型；其中，所述小目标检测模型是基于FasterRCNN检测网络、SSD检测器以及反转注意力模块创建的，所述反转注意力模块用于实现模型训练时将不同维度下生成的特征图进行融合；将所述待检测的目标图像输入所述剔除后的小目标检测模型中，提取至少一个小目标特征；对所述至少一个小目标特征进行分类和边框回归处理后，生成处理后的小目标。可选的，所述生成处理后的小目标检测框之后，还包括：输出所述处理后的小目标，并将所述小目标进行展示。可选的，还包括按照下述方法生成所述预先训练的小目标检测模型，包括：设计小目标检测模型；从图像数据库采集多个训练数据样本；将所述多个训练数据样本输入所述创建的小目标检测模型进行训练，输出所述小目标检测模型的损失值；当所述损失值到达预设最小阈值时，模型训练结束并生成预先训练的小目标检测模型。可选的，所述方法还包括：当所述损失值未到达预设最小阈值时，优化所述创建的小目标检测模型的模型参数；以及继续执行所述将所述多个训练数据样本输入所述创建的小目标检测模型进行训练的步骤。可选的，所述设计小目标检测模型，包括：利用FasterRCNN检测网络和SSD检测器构建成多个检测网络；采用注意力神经网络以及网络权重更新算法创建反转注意力模块；将所述反转注意力模块添加到所述多个检测网络中，生成小目标检测模型。可选的，所述小目标检测模型包括目标特征提取模块、候选区域生成模块、目标区域池化模块、候选目标检测模块、反转注意力模块以及更新特征图模块；所述将所述多个训练数据样本输入所述创建的小目标检测模型进行训练，输出所述小目标检测模型的损失值，包括：目标特征提取模块通过VGG和/或RESNET等卷积神经网络提取所述多个训练样本中每张图片的多个特征图；候选区域生成模块通过候选区域生成网络从所述多个特征图中计算出所述多个特征图对应的小目标区域候选框；目标区域池化模块将所述多个特征图对应的小目标区域候选框中感兴趣的目标区域进行池化操作，生成池化后的多个小目标区域候选框对应的特征图；候选目标检测模块将所述多个训练样本中每张图片上的目标候选框对应的RoI特征进行分类并在原图上对边框进行回归操作，生成池化后的多个小目标区域候选框对应的分类损失和回归损失；反转注意力模块基于多个小目标区域候选框对应的分类损失计算所述池化后的多个小目标区域候选框对应的特征图的特征图梯度，并基于所述多个小目标区域候选框对应的特征图的特征图梯度生成注意力反转增强模板图；更新特征图模块将所述注意力反转增强模板图与所述池化后的多个小目标区域候选框对应的特征图进行逐元素乘积，生成融合后的特征图，根据所述融合后的特征图进行前向传播以计算检测损失，并输出所述小目标检测模型的损失值。可选的，所述基于所述多个小目标区域候选框对应的特征图的特征图梯度生成注意力反转增强模板图，包括：对所述特征图梯度进行全局平均池化得到第一权重向量；对所述池化后的多个小目标区域候选框对应的特征图进行全局平均池化得到第二权重向量；将所述第一权重向量和所述第二权重向量逐元素相乘得到目标注意力权重向量；将所述目标注意力权重向量和所述池化后的多个小目标区域候选框对应的特征图逐通道相乘并求和得到注意力反转增强图；将所述注意力反转增强图阈值化并求反得到注意力反转增强后的模板图(M)；将所述目标注意力权重向量经过归一化操作后得到向量(VB)，并对所述向量(VB)阈值化并求反生成注意力反转增强后的模板图(VM)；根据所述注意力反转增强后的模板图(VM)元素取值，当所述(VM)中某个元素为0时，将所述模板图(M)作为注意力反转增强模板图；以及当(VM)为1，将所述池化后的多个小目标区域候选框对应的特征图作为注意力反转增强模板图。第二方面，本申请实施例提供了一种图像中小目标检测系统，该系统包括：模型加载模块，用于当从待检测的图像中检测小目标时，加载预先训练的小目标检测模型；反转注意力模块剔除模块，用于剔除小目标检测模型中反转注意力模块生成剔除后的小目标检测模型；其中，小目标检测模型是基于FasterRCNN神经网络、SSD检测器以及反转注意力模块创建的，所述反转注意力模块用于实现模型训练时将不同维度下生成的特征图进行融合；小目标特征提取模块，用于将待检测的目标图像输入剔除后的小目标检测模型中提取至少一个小目标特征；小目标特征处理模块，用于对至少一个小目标特征进行分类和边框回归处理后，生成处理后的小目标。第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。本申请实施例提供的技术方案可以包括以下有益效果：在本申请实施例中，图像中小目标检测系统当从待检测的图像中检测小目标时，首先加载预先训练的小目标检测模型，然后剔除小目标检测模型中反转注意力模块生成剔除后的小目标检测模型，再将待检测的目标图像输本文档来自技高网...

【技术保护点】
1.一种图像中小目标检测方法，其特征在于，所述方法包括：/n当从待检测的图像中检测小目标时，加载预先训练的小目标检测模型；/n剔除所述小目标检测模型中的反转注意力模块后，生成剔除后的小目标检测模型；其中，所述小目标检测模型是基于Faster RCNN检测网络、SSD检测器以及反转注意力模块创建的，所述反转注意力模块用于实现模型训练时将不同维度下生成的特征图进行融合；/n将所述待检测的目标图像输入所述剔除后的小目标检测模型中，提取至少一个小目标特征；/n对所述至少一个小目标特征进行分类和边框回归处理后，生成处理后的小目标。/n

【技术特征摘要】
1.一种图像中小目标检测方法，其特征在于，所述方法包括：
当从待检测的图像中检测小目标时，加载预先训练的小目标检测模型；
剔除所述小目标检测模型中的反转注意力模块后，生成剔除后的小目标检测模型；其中，所述小目标检测模型是基于FasterRCNN检测网络、SSD检测器以及反转注意力模块创建的，所述反转注意力模块用于实现模型训练时将不同维度下生成的特征图进行融合；
将所述待检测的目标图像输入所述剔除后的小目标检测模型中，提取至少一个小目标特征；
对所述至少一个小目标特征进行分类和边框回归处理后，生成处理后的小目标。


2.根据权利要求1所述的方法，其特征在于，所述生成处理后的小目标检测框之后，还包括：
输出所述处理后的小目标，并将所述小目标进行展示。


3.根据权利要求1所述的方法，其特征在于，还包括按照下述方法生成所述预先训练的小目标检测模型，包括：
设计小目标检测网络；
从图像数据库采集多个训练数据样本；
将所述多个训练数据样本输入所述创建的小目标检测网络进行训练，输出所述小目标检测网络的损失值；
当所述损失值到达预设最小阈值时，网络训练结束并生成预先训练的小目标检测模型。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
当所述损失值未到达预设最小阈值时，优化所述创建的小目标检测网络的模型参数；以及
继续执行所述将所述多个训练数据样本输入所述创建的小目标检测网络进行训练的步骤。


5.根据权利要求3所述的方法，其特征在于，所述设计小目标检测网络，包括：
利用FasterRCNN检测网络和SSD检测器构建成多个检测网络；
采用注意力神经网络以及网络权重更新算法创建反转注意力模块；
将所述反转注意力模块添加到所述多个检测网络中，生成小目标检测网络。


6.根据权利要求3所述的方法，其特征在于，所述小目标检测网络包括目标特征提取模块、候选区域生成模块、目标区域池化模块、候选目标检测模块、反转注意力模块以及更新特征图模块；
所述将所述多个训练数据样本输入所述创建的小目标检测网络进行训练，输出所述小目标检测网络的损失值，包括：
目标特征提取模块通过VGG和/或RESNET卷积神经网络提取所述多个训练样本中每张图片的多个特征图；
候选区域生成模块通过候选区域生成网络从所述多个特征图中计算出所述多个特征图对应的小目标区域候选框；
目标区域池化模块将所述多个特征图对应的小目标区域候选框中感兴趣的目标区域进行池化操作，生成池化后的多个小目标区域候选框对应的特征图；
候选目标检测模块将所述多个训练样本中每张图片上的目标候选框对应的RoI特征进行分类并在原图上对边框进行回...

【专利技术属性】
技术研发人员：赵磊，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：北京;11