仿视觉皮层的多尺度小目标检测方法、装置及设备制造方法及图纸

本发明专利技术公开了一种仿视觉皮层的多尺度小目标检测方法、装置及设备，所述方法包括：获取输入图像；通过预设的仿初级视觉感知皮层模型对所述输入图像进行特征提取，得到第一特征图；所述预设的仿初级视觉感知皮层模型包括VOneBlock层、Conv层和特征融合层；通过预设的目标检测模型对所述第一特征图进行目标检测，得到五个不同尺寸的目标特征图；对所述五个不同尺寸的目标特征图进行目标分类和坐标定位，得到目标检测结果。本发明专利技术通过五个不同尺寸的目标特征图进行目标检测，有效提升了对小目标的特征提取能力。同时加入仿初级视觉感知皮层模型，通过模拟大脑初级视觉皮层感知机理，提高了模型的抗干扰能力。高了模型的抗干扰能力。高了模型的抗干扰能力。

【技术实现步骤摘要】
仿视觉皮层的多尺度小目标检测方法、装置及设备


[0001]本专利技术涉及目标检测
，更具体地，涉及一种仿视觉皮层的多尺度小目标检测方法、装置及设备。

技术介绍

[0002]随着计算机技术的发展，出现了大量的目标检测模型，比如Faster
‑
RCNN、SSD、CenterNet、Yolov1～Yolov5等。现有的目标检测模型在有环境噪声干扰时以及针对小目标的检测准确性较差，造成目标检测的漏检率高甚至检测失效，无法应用于存在大量小目标以及噪声干扰的应用场景。

技术实现思路

[0003]本专利技术的一个目的是提供一种用于小目标检测的新技术方案。
[0004]根据本专利技术的第一方面，提供了一种仿视觉皮层的多尺度小目标检测方法，所述方法包括：
[0005]获取输入图像；
[0006]通过预设的仿初级视觉感知皮层模型对所述输入图像进行特征提取，得到第一特征图；所述预设的仿初级视觉感知皮层模型包括VOneBlock层、Conv层和特征融合层；
[0007]通过预设的目标检测模型对所述第一特征图进行目标检测，得到五个不同尺寸的目标特征图；
[0008]对所述五个不同尺寸的目标特征图进行目标分类和坐标定位，得到目标检测结果。
[0009]可选地，所述通过预设的仿初级视觉感知皮层模型对所述输入图像进行特征提取，得到第一特征图，包括：
[0010]通过所述VOneBlock层对所述输入图像进行特征提取和尺寸压缩，得到第二特征图；
[0011]通过所述Conv层对所述输入图像进行尺寸压缩，得到第三特征图；所述第三特征图的尺寸与所述第二特征图的尺寸相同；
[0012]通过所述特征融合层对所述第二特征图和所述第三特征图进行特征值融合，得到所述第一特征图。
[0013]可选地，所述预设的目标检测模型包括骨干网络和头部网络，所述通过预设的目标检测模型对所述第一特征图进行目标检测，得到五个不同尺寸的目标特征图，包括：
[0014]通过所述骨干网络对所述第一特征图进行多次尺寸压缩和特征提取，得到多个不同尺寸的骨干特征图；
[0015]将所述第一特征图和所述多个不同尺寸的骨干特征图输入所述头部网络，得到所述五个不同尺寸的目标特征图。
[0016]可选地，所述头部网络包括四个串联的FPN模块和四个特征聚合模块，所述FPN模
块包括依次连接的Conv层、Upsample层、Concat层、C3层，所述将所述第一特征图和所述多个不同尺寸的骨干特征图输入所述头部网络，得到所述五个不同尺寸的目标特征图，包括：
[0017]所述四个FPN模块根据所述多个不同尺寸的骨干特征图和所述第一特征图生成第一目标特征图；
[0018]将所述第一目标特征图、第一骨干特征图、第一FPN模块的Conv层输出的特征图输入第一特征聚合模块，所述第一特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第二目标特征图；
[0019]将所述第二目标特征图、第二骨干特征图、第二FPN模块的Conv层输出的特征图输入第二特征聚合模块，所述第二特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第三目标特征图；
[0020]将所述第三目标特征图、第三骨干特征图、第三FPN模块的Conv层输出的特征图输入第三特征聚合模块，所述第三特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第四目标特征图；
[0021]将所述第四目标特征图、第四骨干特征图、第四FPN模块的Conv层输出的特征图输入第四特征聚合模块，所述第四特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第五目标特征图。
[0022]可选地，所述所述四个FPN模块根据所述多个不同尺寸的特征图和所述第一特征图生成第一目标特征图，包括：
[0023]将所述第四骨干特征图和所述第三骨干特征图输入第四FPN模块，得到第四FPN模块的输出特征图；
[0024]将所述第四FPN模块的输出特征图和所述第二骨干特征图输入第三FPN模块，得到第三FPN模块的输出特征图；
[0025]将所述第三FPN模块的输出特征图和所述第一骨干特征图输入第二FPN模块，得到第二FPN模块的输出特征图；
[0026]将所述第二FPN模块的输出特征图和所述第一特征图输入所述第一FPN模块，得到第一目标特征图。
[0027]可选地，所述骨干网络包括第一Conv层、第一C3层、第二Conv层、第二C3层、第三Conv层、第三C3层、第四Conv层、第四C3层、SPP层，所述通过所述骨干网络对所述第一特征图进行多次特征图尺寸压缩和特征提取，得到多个不同尺寸的骨干特征图，包括：
[0028]通过所述第一Conv层对所述第一特征图进行特征图尺寸压缩，通过所述第一C3层对压缩后的第一特征图进行特征提取，得到第一骨干特征图；
[0029]通过所述第二Conv层对所述第一骨干特征图进行特征图尺寸压缩，通过所述第二C3层对压缩后的第一骨干特征图进行特征提取，得到第二骨干特征图；
[0030]通过所述第三Conv层对所述第二骨干特征图进行特征图尺寸压缩，通过所述第三C3层对压缩后的第二骨干特征图进行特征提取，得到第三骨干特征图；
[0031]通过所述第四Conv层对所述第三骨干特征图进行特征图尺寸压缩，通过所述SPP层对压缩后的第三骨干特征图进行空间信息融合，通过所述第四C3层对所述SPP层输出的特征图进行特征提取，得到第四骨干特征图。
[0032]根据本专利技术的第二方面，提供了一种仿视觉皮层的多尺度小目标检测装置，所述
装置包括：
[0033]图像获取模块，用于获取输入图像；
[0034]预处理模块，用于通过预设的仿初级视觉感知皮层模型对所述输入图像进行特征提取，得到第一特征图；所述预设的仿初级视觉感知皮层模型包括VOneBlock层、Conv层和特征融合层；
[0035]目标检测模块，用于通过预设的目标检测模型对所述第一特征图进行目标检测，得到五个不同尺寸的目标特征图，对所述五个不同尺寸的目标特征图进行目标分类和坐标定位，得到目标检测结果。
[0036]可选地，所述目标检测模块包括：
[0037]骨干网络模块，用于对所述第一特征图进行多次尺寸压缩和特征提取，得到多个不同尺寸的骨干特征图；
[0038]头部网络模块，用于接收所述第一特征图和所述多个不同尺寸的骨干特征图，得到所述五个不同尺寸的目标特征图。
[0039]可选地，所述目标检测模块包括：
[0040]检测头模块，用于对所述五个不同尺寸的目标特征图进行目标分类和坐标定位，得到目标检测结果。
[0041]根据本专利技术的第三方面，提供了一种电子设备，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如本专利技术第一方面所述的目标检测方法。
[0042]根据本公开的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种仿视觉皮层的多尺度小目标检测方法，其特征在于，所述方法包括：获取输入图像；通过预设的仿初级视觉感知皮层模型对所述输入图像进行特征提取，得到第一特征图；所述预设的仿初级视觉感知皮层模型包括VOneBlock层、Conv层和特征融合层；通过预设的目标检测模型对所述第一特征图进行目标检测，得到五个不同尺寸的目标特征图；对所述五个不同尺寸的目标特征图进行目标分类和坐标定位，得到目标检测结果。2.根据权利要求1所述的方法，其特征在于，所述通过预设的仿初级视觉感知皮层模型对所述输入图像进行特征提取，得到第一特征图，包括：通过所述VOneBlock层对所述输入图像进行特征提取和尺寸压缩，得到第二特征图；通过所述Conv层对所述输入图像进行尺寸压缩，得到第三特征图；所述第三特征图的尺寸与所述第二特征图的尺寸相同；通过所述特征融合层对所述第二特征图和所述第三特征图进行特征值融合，得到所述第一特征图。3.根据权利要求1所述的方法，其特征在于，所述预设的目标检测模型包括骨干网络和头部网络，所述通过预设的目标检测模型对所述第一特征图进行目标检测，得到五个不同尺寸的目标特征图，包括：通过所述骨干网络对所述第一特征图进行多次尺寸压缩和特征提取，得到多个不同尺寸的骨干特征图；将所述第一特征图和所述多个不同尺寸的骨干特征图输入所述头部网络，得到所述五个不同尺寸的目标特征图。4.根据权利要求3所述的方法，其特征在于，所述头部网络包括四个串联的FPN模块和四个特征聚合模块，所述FPN模块包括依次连接的Conv层、Upsample层、Concat层、C3层，所述将所述第一特征图和所述多个不同尺寸的骨干特征图输入所述头部网络，得到所述五个不同尺寸的目标特征图，包括：所述四个FPN模块根据所述多个不同尺寸的骨干特征图和所述第一特征图生成第一目标特征图；将所述第一目标特征图、第一骨干特征图、第一FPN模块的Conv层输出的特征图输入第一特征聚合模块，所述第一特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第二目标特征图；将所述第二目标特征图、第二骨干特征图、第二FPN模块的Conv层输出的特征图输入第二特征聚合模块，所述第二特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第三目标特征图；将所述第三目标特征图、第三骨干特征图、第三FPN模块的Conv层输出的特征图输入第三特征聚合模块，所述第三特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第四目标特征图；将所述第四目标特征图、第四骨干特征图、第四FPN模块的Conv层输出的特征图输入第四特征聚合模块，所述第四特征聚合模块对输入的多个特征图进行尺寸压缩和通道聚合，得到第五目标特征图。
5.根据权利要求4所述的方法，其特征在于，所述所述四个FPN模块根据所述多个不同尺寸的特征图和所述第一特征图...

【专利技术属性】
技术研发人员：赵小川，史津竹，刘华鹏，樊迪，陈路豪，王子彻，李陈，
申请(专利权)人：中国兵器工业计算机应用技术研究所，
类型：发明
国别省市：