一种基于数据增强与特征融合的微小目标自适应检测方法技术

本发明专利技术涉及一种基于数据增强与特征融合的微小目标自适应检测方法，包括以下步骤：S1、像素筛选式处理数据集中的所有目标；S2、构建骨干网络；S3、构建适配型图像金字塔网络；S4、提取多尺度融合特征信息；S5、构建检测预测网络。本发明专利技术通过利用对目标对象进行筛选式重采样处理方法，在不增加图像数据量的前提下成功增加小目标样本数目，方法更加简单直接，检测性能提升明显；通过使用深度学习中卷积神经网络提取图像多尺度融合特征信息，适应性更强，检测效果更佳。检测效果更佳。检测效果更佳。

【技术实现步骤摘要】
一种基于数据增强与特征融合的微小目标自适应检测方法


[0001]本专利技术涉及深度学习的计算机视觉
，尤其涉及一种基于数据增强与特征融合的微小目标自适应检测方法。

技术介绍

[0002]小目标检测在现实生活中有许多应用场景。在自动驾驶中，为了安全驾驶需要从汽车摄像头拍摄的驾驶场景照片中检测到远处的路标和行人。在医学病灶检测成像中初期病变区域面积小，因此在早期检测到肿块和肿瘤对做出准确诊疗的难易程度至关重要。在智能安防中需要检测远处作业工人是否正确佩戴安全帽，而分散各处作业的工人在拍摄图像中只有几十甚至几个像素，因此小目标检测问题在智能安防中亟需解决。目前许多专家提出了基于深度学习的目标检测算法，但由于小目标在数据集中样本数量的不足，特征信息提取不完整的问题导致小目标检测性能依然不佳。
[0003]基于卷积神经网络的目标检测算法总体可以分为两阶段检测算法与一阶段检测算法。两阶段检测算法如R
‑
CNN系列、R
‑
FCN、AAAI等，这类算法利用选择性搜索算法筛选出大量候选区域，将其作为后续卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据增强与特征融合的微小目标自适应检测方法，其特征在于，包括以下步骤：S1、像素筛选式处理数据集中的所有目标：通过选取安全帽佩戴公共数据集，利用选择型小目标复制算法对数据集图像中所有的目标进行像素筛选式处理，并将处理后的目标框放回对应原图像以扩充图像数据集；S2、构建骨干网络：对步骤S1处理得到的数据集图像进行下采样，获取深层次的特征映射图；S3、构建适配型图像金字塔网络：解耦各目标物体的检测，针对具有高分辨率特征映射的小目标，为其分配更合适的特征层级；S4、提取多尺度融合特征信息：融合骨干网络与适配型图像金字塔网络特征信息，通过将骨干网络与适配型图像金字塔网络通过横向连接得到多尺度融合特征信息，构建一条自底向上和自顶向的融合路径，将深层语义信息融合到浅层位置信息中；S5、构建检测预测网络：通过步骤S4中生成映射图后，输出融合特征进行预测，生成关键点热力图、边界框的尺度预测和关键点的偏差预测，进行损失函数优化，直至损失函数收敛；利用预测得到的中心关键点坐标估测目标的位置，完成多语义特征融合的小目标对象的多尺度检测模型的训练。2.根据权利要求1所述的一种基于数据增强与特征融合的微小目标自适应检测方法，其特征在于，步骤S1的具体过程如下：S11、选取安全帽佩戴公共数据集，利用选择型小目标对象复制算法，对数据集中的所有目标框进行一个筛选式重复采样，筛选出像素值在阈值内的所有目标并将其视为小目标，将所有小目标全部提出并找到分别对应的原图像；S12、对提取出的小目标进行二次复制，并且在第二次复制时对原小目标图像进行一次水平翻转处理；S13、复制完后将这些小目标对象按照最初提取出来的初始大小放回分别对应的数据集的原图像中，在图像对应的xml文件中添加这些小目标对象的相关信息，获取扩充后的图像数据集。3.根据权利要求1所述的一种基于数据增强与特征融合的微小目标自适应检测方法，其特征在于，步骤S2的具体过程如下：S21、构建ST
‑
CenterNet骨干网络，采用标准残差网络实现；S22、采用四层特征层进行目标的下采样处理；第一个层级利用一个步长为2的卷积层，得到一个为原始图像分辨率1/2的特征映射图；第二个层级利用一个步长为2的卷积层，得到一个为原始图像分辨率1/4的特征映射图；第三至第四个层级都采用步长为2的卷积层提取特征，最终输出的特征映射图为原始图像分辨率的1/16；S23、将残差网络提取到的特征图表示为C：C＝{C2,C3,C4,C5}其中，C2,C3,C4,C5分别表示提取的ResNet
‑
50网络的各个层级。4.根据权利要求1所述的一种基于数据增强与特征融合的微小目标自适应检测方法，其特征在于，步骤S3的具体过程如下：S31、利用浅层特征层提取小目标对象特征信息来获取位置区域信息；
S32、将步骤S2下采样获得的特征...

【专利技术属性】
技术研发人员：卢旭，郭雨洁，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：