一种小目标识别方法、系统、电子设备及介质技术方案

本发明专利技术公开了小目标识别方法、系统、电子设备及介质，通过对目标图像的特征进行多次提取，得到若干个分辨率、语义以及位置特征偏重不同的特征图，再将这些特征图中有利于小目标识别的特征进行融合，得到在分辨率、语义以及位置等维度表现优异的融合特征图，该融合特征图提升了卷积神经网络模型对小目标识别的正确率和性能。确率和性能。确率和性能。

【技术实现步骤摘要】
一种小目标识别方法、系统、电子设备及介质


[0001]本专利技术涉及深度学习图像处理
，特别涉及一种小目标识别方法、系统、电子设备及介质。

技术介绍

[0002]目标检测是计算机视觉与模式识别领域的基本任务，具体地，就是找出图像中感兴趣的目标，确定它们的类别和位置。然而，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，小目标的检测精度通常只有大目标的一半。
[0003]造成小目标的检测精度不如大目标的检测精度的原因有很多，但主要还是由于分辨率和语义信息之间的矛盾。在对图像进行特征提取的过程中，想要获得高分辨率的特征图，就必须牺牲语义信息和位置信息，想要获得语义信息和位置信息强的特征图，就必须牺牲分辨率。小目标轮廓偏小，且通常处于图像的边缘位置，分辨率、语义信息和位置信息原本就偏弱，如果加强小目标的语义信息和位置信息，小目标的分辨率就更加弱，卷积神经网络模型很难将小目标识别出来，如果加强小目标的分辨率，小目标的语义信息和位置信息就更加弱，卷积神经网络模型同样很难将小目标识别出来。
专利技术内容
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小目标识别方法，其特征在于，包括以下步骤：获取卷积神经网络模型输入的目标图像，其中，所述目标图像中含有待识别的小目标；提取所述目标图像中小目标的特征，得到所述目标图像的原特征图；通过通道注意力机制提取所述目标图像的原特征图的特征，得到侧重小目标语义特征的语义特征图，以及通过空间注意力机制提取所述目标图像的原特征图的特征，得到侧重小目标位置特征的位置特征图，并将所述目标图像的原特征图、所述语义特征图以及所述位置特征图进行融合，得到所述目标图像融合后的特征图；基于所述目标图像融合后的特征图对所述目标图像中的小目标进行分类，得到小目标的识别结果。2.根据权利要求1所述的小目标识别方法，其特征在于，所述通过通道注意力机制提取所述目标图像的原特征图的特征，得到侧重小目标语义特征的语义特征图，包括步骤：对所述目标图像的原特征图进行全局平均池化和最大池化，得到平均特征矩阵和最大特征矩阵，并将所述平均特征矩阵和所述最大特征矩阵按相位相加；将按相位相加后的结果使用1
×1×
C/r的卷积核进行卷积，并使用Relu非线性激活层激活；将Relu非线性激活层激活后的结果使用1
×1×
C的卷积核进行卷积，并使用sigmoid非线性激活函数进行激活，得到侧重小目标语义特征的所述语义特征图。3.根据权利要求1所述的小目标识别方法，其特征在于，所述通过空间注意力机制提取所述目标图像的原特征图的特征，得到侧重小目标位置特征的位置特征图，包括步骤：对所述目标图像的原特征图进行全局平均池化和最大池化，得到平均特征矩阵和最大特征矩阵，并将所述平均特征矩阵和所述最大特征矩阵进行合并；将合并后的结果进行卷积，并使用sigmoid非线性激活函数进行激活，得到侧重小目标位置特征的所述位置特征图。4.根据权利要求1所述的小...

【专利技术属性】
技术研发人员：彭建，赵乙芳，章登勇，李峰，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：