【技术实现步骤摘要】
一种基于改进Transformer的小目标检测方法
[0001]本专利技术涉及计算机视觉算法领域，尤其是一种基于Transformer的小目标检测性能优化方法。
技术介绍
[0002]近年来，随着计算机视觉相关技术的迅猛发展与各种硬件设备性能的大提高，目标检测技术现已广泛应用在生产生活中，尤其是用于道路上行人和车辆检测、监控。然而，目前目标检测技术主要应用于尺寸较大的目标，一方面是由于大目标尺寸大，包含的信息较多，因此在经过卷积神经网络可以提取到更多有价值的信息，另一方面是大目标的数据集较为常见，检测也更加便利。因此在复杂场景下，目标检测技术更容易检测到大目标物体，对于小目标物体会经常漏检或者误检，这主要是由于虽然日常生活中小目标物体很常见，但是由于小目标物体图像包含的信息较小，卷积神经网络提取信息有限；同时，开源的小目标数据集较少，相比于大目标，针对小目标检测的技术也很难突破。如附图3所示，行车道上车辆众多，但是不乏有横穿马路的行人，而且还存在整个场景环境复杂，行人和车辆呈现出目标尺寸小的特点，单纯依靠人力对监控视频进行辨...
【技术保护点】
【技术特征摘要】
1.一种基于改进Transformer的小目标检测方法，其特征在于，包括以下步骤：步骤1：准备预训练图像数据集；数据集可采用开源数据集或者特殊场合下制作的特定数据集；步骤2：构建SR
‑
DETR目标检测网络模型；SR
‑
DETR模型的总体架构和原理如附图2所示，该模型主要包含特征提取模块，Transformer模型，分类预测模块，超分辨率模块以及图像融合模块；步骤3：开始训练，初始化权值矩阵；使用正态分布初始化权值矩阵，采用从方差为0 .01的截断正态分布中采样，得到权重初始化值；步骤4：前向传播；输入信号在权重矩阵的帮助下，得到每一层的输出，最终到达输出层的预测值；步骤5：计算损失函数；步骤6：反向传播；利用损失函数相对于每个参数的梯度对参数进行修正更新；步骤7：更新权重矩阵；根据反向传播得到的参数的梯度来对权重矩阵进行更新，达到减小损失函数的效果；步骤8：如果没有到达最大训练次数，则返回步骤4，继续前向传播，否则就保存最后一次训练的模型；步骤9：目标检测及结果输出；将待目标检测的图像载入已经训练好的模型中，得到最终的目标检测结果图像，后续可根据该结果做出其余操作。2.根据权利要求1所述的SR
‑
DETR模型，其特征在于，SR
‑
D...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。