基于时空神经网络的小目标识别方法及系统技术方案

本发明专利技术公开了一种基于时空神经网络的小目标识别方法及系统，其中，该方法包括：运用超分辨率算法对原始模糊图像进行预处理，得到高画质图像序列；利用时空注意力机制对高画质图像序列的相邻帧间进行逻辑减操作，捕捉并高亮强调可疑区域；提取可疑区域中的深度特征，得到特征图时序序列；采用LSTM状态转移子网将特征图时序序列输入到置信输出的映射装置中，得到转移状态；利用分类器对转移状态进行分类，得到最终识别结果，其中，最终识别结果为目标种类和置信率。该方法随着帧序列的不断读入，模型进行自我修正，逐渐修正为正确的类别并不断提高置信率。

【技术实现步骤摘要】
基于时空神经网络的小目标识别方法及系统
本专利技术涉及计算机视觉
，特别涉及一种基于时空神经网络的小目标识别方法及系统。
技术介绍
随着计算机视觉领域的发展，目标识别技术成为研究热点并被广泛应用于智能安保、自动驾驶、医疗辅助诊断等领域。在实际应用中，要求目标清晰易辨往往是不现实的，这就使得小目标识别技术在近年来受到越来越多的关注。现实应用场景中普遍存在着一些困难，例如：目标尺寸极小、目标距离较远，图像源分辨率过低等，这对以单帧图像作为识别依据的传统算法提出了严峻的挑战。当代基于深度网络的普适目标识别算法，基本采用主流的深度网络模型作为主干网络和自动特征提取器，再由分类器给出最终识别结果。因为使用了包含大量图片的数据集训练，这些普适算法在面对清晰可辨物体时往往能够取得不错的效果，但由于其主干网络中不同程度上运用了卷积等操作，必然导致卷积通道上的特征分辨率发生下降，进而直接使得这些算法在面对小目标问题时性能发生严重退化。近年来，相关工作围绕小目标识别问题展开，一种思路是从识别模型角度，通过不同尺寸特征融合、拓展接受野、引入图像本文档来自技高网...

【技术保护点】
1.一种基于时空神经网络的小目标识别方法，其特征在于，包括以下步骤：/n步骤S1，获取当前时刻的原始模糊图像；/n步骤S2，运用超分辨率算法对所述原始模糊图像进行预处理，得到高画质图像序列；/n步骤S3，利用时空注意力机制对所述高画质图像序列的相邻帧间进行逻辑减操作，捕捉并高亮强调可疑区域；/n步骤S4，提取所述可疑区域中的深度特征，得到特征图时序序列；/n步骤S5，采用LSTM状态转移子网将所述特征图时序序列输入到置信输出的映射装置中，得到修正后的特征图时序序列；/n步骤S6，利用分类器对所述修正后的特征图时序序列进行分类，得到最终识别结果，其中，所述最终识别结果为目标种类和置信率。/n

【技术特征摘要】
1.一种基于时空神经网络的小目标识别方法，其特征在于，包括以下步骤：
步骤S1，获取当前时刻的原始模糊图像；
步骤S2，运用超分辨率算法对所述原始模糊图像进行预处理，得到高画质图像序列；
步骤S3，利用时空注意力机制对所述高画质图像序列的相邻帧间进行逻辑减操作，捕捉并高亮强调可疑区域；
步骤S4，提取所述可疑区域中的深度特征，得到特征图时序序列；
步骤S5，采用LSTM状态转移子网将所述特征图时序序列输入到置信输出的映射装置中，得到修正后的特征图时序序列；
步骤S6，利用分类器对所述修正后的特征图时序序列进行分类，得到最终识别结果，其中，所述最终识别结果为目标种类和置信率。


2.根据权利要求1所述的基于时空神经网络的小目标识别方法，其特征在于，所述LSTM状态转移子网部分采用RNN循环神经网络的重要变种LSTM作为主要部件，其中，一个完整的重要变种LSTM细胞结构包括输入门、输出门、门门和遗忘门。


3.根据权利要求2所述的基于时空神经网络的小目标识别方法，其特征在于，所述一个完整的重要变种LSTM细胞结构为：



其中，i为输入门，f为遗忘门，o为输出门，g为门门，sigmod函数σ(x)＝1/(1+e-x)，φ(x)＝(ex-e-x)/(ex+e-x)，W为权重矩阵，B为偏置向量，xt和ht-1为当前输入。


4.根据权利要求1所述的基于时空神经网络的小目标识别方法，其特征在于，所述转移状态为：



其中，ht为当前时序的输出状态，t为时序，o为输出门，ct为当前时序的隐藏状态，f为遗忘门，ct-1为上一时序的隐藏状态，i为输入门，g为门门。


5.根据权利要求1所述的基于时空神经网络的小目标识别方法，其特征在于，所述步骤S4和所述步骤S6中采用任一种深度卷积模型作为主干网络。


6.一种基于时空神经网络的小目标...

【专利技术属性】
技术研发人员：刘绍辉，梁智博，姜峰，付森，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23