基于改进FaserRCNN的小目标检测方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种基于改进Faser RCNN的小目标检测方法，由处理器执行一改进Faser RCNN算法指令实现，包括：接收包含小目标的场景图片并提取第一特征图F；根据所述第一特征图F1获得预测锚点框a(x,y,w,h)；根据所述第一特征图F1、所述预测锚点框a(x,y,w,h)获得与所述第一特征图F1尺寸相同的第二特征图F2；根据所述第二特征图F2和所述预测锚点框a(x，y,w,h)获得所述场景图片的检测结果。本发明专利技术通过基于Faser RCNN算法框架进行修改，将其下的RPN网络替换为自适应锚点框网络，使生成的锚点框能够与不同尺度目标更加匹配，进而避免因锚点框尺寸不合理而造成漏检，提高检测准确率。提高检测准确率。提高检测准确率。

【技术实现步骤摘要】
基于改进Faser RCNN的小目标检测方法、装置及存储介质


[0001]本专利技术涉及目标识别识别领域，具体涉及一种基于改进Faser RCNN的小目标检测方法。同时，本专利技术还涉及一种基于改进Faser RCNN的小目标检测装置及存储介质。

技术介绍

[0002]目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。
[0003]目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点。近些年机器学习，尤其是深度学习的蓬勃发展为目标检测实现低成本、高效率提供了可能。
[0004]目前优秀的深度学习模型大致可以分为两类：第一类属于两阶段目标检测算法(two
‑
stage)，如R
‑
CN、SPP
‑
Net、Fast
‑...

【技术保护点】

【技术特征摘要】
1.一种基于改进Faser RCNN的小目标检测方法，由处理器执行一改进Faser RCNN算法指令实现，其特征在于，包括：接收包含小目标的场景图片；使用所述Faser RCNN其第一卷积模块提取所述场景图片的第一特征图F；使用所述Faser RCNN其第二卷积模块根据所述第一特征图F1获得预测锚点框中心位置a(x,y)和预测锚点框尺寸a(w,h)并根据所述预测锚点框中心位置a(x,y)和所述预测锚点框尺寸a(w,h)获得预测锚点框a(x,y,w,h)；使用所述Faser RCNN其第三卷积模块根据所述第一特征图F1、所述预测锚点框a(x,y,w,h)获得与所述第一特征图F1尺寸相同的第二特征图F2；使用所述Faser RCNN其第四卷积模块根据所述第二特征图F2和所述预测锚点框a(x,y,w,h)获得所述场景图片的检测结果。2.根据权利要求1所述的基于改进Faser RCNN的小目标检测方法，其特征在于，所述第一卷积模块的主干部分采用ResNet的卷积结构。3.根据权利要求2所述的基于改进Faser RCNN的小目标检测方法，其特征在于，所述第一卷积模块的主干部分采用ResNet50的卷积结构。4.根据权利要求3所述的基于改进Faser RCNN的小目标检测方法，其特征在于，所述ResNet50的卷积结构包括多层Deform ResNet50残差块结构，所述Deform ResNet50残差块结构其第二卷积层替换为深度可分离卷积层。5.根据权利要求1所述的基于改进Faser RCNN的小目标检测方法，其特征在于，所述第一卷积模块包括通道注意力机制模块，所述通道注意力机制模块被配置为根据所述场景图片获得特征权重S
c
；所述第二卷积模块被配置为根据所述第一特征图F1和所述特征权重S
c
获得所述预测锚...

【专利技术属性】
技术研发人员：李乾，张明，余志强，孙晓云，刘保安，韩广，郑海清，戎士敏，药炜，
申请(专利权)人：石家庄铁道大学国网山西省电力公司太原供电公司国家电网有限公司，
类型：发明
国别省市：