一种自适应特征融合冗余优化的小目标检测方法技术

本发明专利技术公开了一种自适应特征融合冗余优化的小目标检测方法，涉及计算机视觉技术领域，解决现有增进模型对目标关注度的注意力机制注入方法，普遍会增大模型的复杂程度，降低了模型的实时性和实用性的问题，本发明专利技术针对目标检测中的两个问题提出了相应的解决办法，其一是针对特征通道中冗余信息杂糅的问题提出自适应通道激活基础模块按通道独立进行不固定的激活操作，各通道自动学习出各自所需激活函数，显著抑制了特征提取过程中杂质信息的表达，优化了浅层特征冗余的问题。其二是在CenterNet中选择适当的位置注入注意力模块，有针对性地对优化后的特征进行二次提炼与关键增强，同时针对注意力模块带来的复杂度增加问题。问题。问题。

【技术实现步骤摘要】
一种自适应特征融合冗余优化的小目标检测方法


[0001]本专利技术涉及计算机视觉
，具体涉及一种自适应特征融合冗余优化的小目标检测方法。

技术介绍

[0002]目标检测是计算机视觉的一个热门研究方向，其基础任务即识别与定位，需要识别出物体的类别属性同时确定其在画面中所处的具体位置。随着深度学习的崛起，在监控摄像头越来越普及的当下，目标检测技术更是活跃在人们的生活中，在行人检测、交通检测、工件瑕疵检测、医学图像分析等领域都能看到其应用。在目标检测中小目标因其本身固有性质，图像占比小，纹理特征不显著、浅层特征语义信息不足、深层特征信息缺失等原因，导致小目标的检测尤为困难。普遍的提升小目标检测精度的方法是进行多层特征融合，例如早期的图像金字塔，后期升级的特征金字塔FPN，以及在FPN基础上的各种改进特征融合模块PANet、ASFF、NAS
‑
FPN、BiFPN、Recursive
‑
FPN等；另外一种方法是分而治之，如SSD、MS
‑
CNN、YOLO使用反卷积来强化浅层特征的语义信息，在不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应特征融合冗余优化的小目标检测方法，其特征在于，包括如下步骤：S1、利用现有图像制作训练数据集；S2、构建神经网络模型：采用DLA34
‑
CenterNet网络作为神经网络基础框架，构建MSA自适应激活模块作为网络的底层模块，对输入特征按通道自适应地进行非关注抑制
‑
关键增强；S3、在S2搭建好的基础网络框架的特征输出部分注入GC
‑
Block注意力模块，对提取的特征二次清洁；S4、在S3基础上，使用深度可分离卷积和Mish激活，设计高效的特征编解码模块DW，对输入数据而言，先进行独立的通道卷积再使用1
×
1卷积进行通道扩充，每次卷积后都要经过一次GN与Mish激活；S5、采用训练数据集对S2
‑
S4构建的神经网络进行训练，获得训练好的神经网络模型；S6、将待检测图像输入训练好的神经网络模型，获得目标检测结果。2.根据权利要求1所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S2中，自适应激活模块对输入特征图的处理方法为：S21、对输入特征图进行实例归一化压缩图像维操作后，随后进行两次全连接批量归一化操作，再经过一个Sigmoid函数运算与范围映射之后，生成通道激活强度范围控制量；S22、引入两激活类型控制参数P1、P2，与S21中生成的通道激活强度范围控制量结合，可自适应地生成不同类型的通道激活函数；S23、将自适应通道激活函数应用到输入特征图上，得到通道杂质冗余明显得到优化的特征图，其中非关注特征在各通道中被明显削弱。3.根据权利要求2所述的一种自适应特征融合冗余优化的小目标检测方法，其特征在于，所述S22中，生成通道激活强度范围控制量的公式由下式自适应决定：β＝a
·
|1
‑
Sigmoid(CVBN2(CVBN1(INS
sum(2,3)
(x))))|其中，x表示输出特征图，INS
sum(2,3)
表示实例归一化后对维度(2,3)求和压缩...

【专利技术属性】
技术研发人员：黄进，刘鑫，吴雪莲，郑思宇，李剑波，冯义从，方铮，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：