一种基于特征增强的复杂场景下小目标检测方法技术

本发明专利技术属于计算机视觉和目标检测领域，具体涉及一种基于特征增强的复杂场景下小目标检测方法。本发明专利技术的技术方案是：首先提出Cutout

【技术实现步骤摘要】
一种基于特征增强的复杂场景下小目标检测方法


[0001]本专利技术属于计算机视觉和目标检测领域，具体涉及一种基于特征增强的复杂场景下小目标检测方法。

技术介绍

[0002]近年来，深度学习技术的快速发展，促使计算机视觉取得了显著的突破，将其推向了前所未有的研究热点。计算机视觉的主要任务是对图像进行解析，包括对图像的分类、检测和分割。目标检测作为计算机视觉领域的核心研究方向之一，利用相关算法，通过精确的定位找到特定的目标类。小目标检测作为目标检测的难点，有着同样重要的应用价值，在自动驾驶、智慧医疗、缺陷检测和航拍图像分析等诸多领域发挥着重要作用。在汽车的高分辨率场景照片中检测小的、遥远的物体是安全部署自动驾驶汽车的必要条件；同时在医学影像学中，如果能对大小只有几个像素的肿块和肿瘤早期发现对于准确、早期诊断至关重要；自动工业检测也可以受益于小目标检测，通过定位可以在材料表面上可见的小缺陷。综上所述，小目标检测具有广泛的应用价值和重要的研究意义。
[0003]尽管目标检测算法已经取得了重大突破，但由于检测小目标和大目标之间的性能上存在显著的差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征增强的复杂场景下小目标检测方法,包括以下步骤步骤1、数据准备：数据集来源于航拍图像；步骤2、数据增强：提出Cutout
‑
DA数据增强方法，该方法首先在数据集中任意选取部分数据图像，然后通过对这些图像中的可见部分目标和全部目标，随机地按照目标大小比例的0.2、0.4、0.6、0.8进行部分位置的遮挡，生成新的遮挡数据扩充至VisDrone2021数据集中；步骤3、设计多尺度融合的特征增强路径聚合网络MSFE
‑
PANet；步骤3.1：改进网络预测尺度在YOLOv4中移除针对检测大目标预测头YOLO head3，但保留其所对应的13*13的特征图；同时，在预测网络中增加了由浅层高分辨率的特征图104*104生成的针对检测小尺度目标的预测头YOLO head0,生成新的网络预测尺度结构；步骤3.2：特征层融合在新的网络预测尺度结构上将每一层特征网络提取的特征图进行相应倍数上采样分别与第一层特征图相加融合得到新的特征图；步骤3.3：引入注意力模块；步骤4：设计预测框排斥损失函数RB_Loss；步骤5：训练模型。2.根据权利要求1所述的一种基于特征增强的复杂场景下小目标检测方法,其特征在于：所述步骤3.3具体包括步骤3.3.1：添加CBAM注意力模块，如公式(1)所示；步骤3.3.1：添加CBAM注意力模块，如公式(1)所示；通道注意力的计算公式为(2)：其中σ为Sigmoid激活函数，MLP权重W0和W1是共享的是共享的空间注意力的计算公式为(3)：其中σ为Sigmoid激活函数，f
7*7
表示7*7的滤波器；步骤3.3.2：改进CBAM的通道注意力模块；步骤3.3.3：引入SE
‑
attention注意力模块；步骤3.3.4：改进SPP模块；步骤3.3.5：优化SE
‑
attention注意力模块。3.根据权利要求2所述的一种基于特征增强的复杂场景下小目标检测方法,其特征在于：所述步骤3.3.2，计算公式定义为(4)4.根据权利要求3所述的一种基于特征增强的复杂场景下小目标检测方法,其特征在
于...

【专利技术属性】
技术研发人员：潘晓英，贾凝心，王昊，丁雅眉，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：