目标的检测方法、装置及无人机制造方法及图纸

本公开提供了一种目标的检测方法、装置及无人机。该目标的检测方法包括获取输入图像；利用机器学习模型，生成所述输入图像中目标的多个预测边界框，所述机器学习模型的骨干网络包括第一卷积块和多个第二卷积块，所述第一卷积块包括卷积层、正则化层、激活层，所述第二卷积块包括多个所述第一卷积块和残差模块，所述残差模块包括多个所述第一卷积块和通道注意力模块及空间注意力模块；使用非极大值抑制，确定最大概率的预测边界框；以及根据所述最大概率的预测边界框，确定检测结果。根据本公开提供的各个实施例，通过增加双重注意力机制来增强特征提取，提高了目标检测精度。提高了目标检测精度。提高了目标检测精度。

【技术实现步骤摘要】
目标的检测方法、装置及无人机


[0001]本公开总体上涉及人工智能
，更具体地涉及一种目标的检测方法、装置及无人机。

技术介绍

[0002]本部分旨在介绍本领域的一些方面，其可以与下面描述的和/或要求保护的本公开的各个方面相关。相信本部分有助于提供背景信息以便于更好地理解本公开的各个方面。因此，应该理解的是这些介绍应该从这个角度来理解，而不是作为对现有技术的承认。
[0003]由于无人机可以实时收集环境数据，其在复杂环境(例如海上)监测上，具有巨大潜力。一些无人机中的检测模型可以识别不同的目标。然而，由于目标对象的多尺寸、可变方向和复杂的背景，它仍然不能用于自动目标检测模型。目前，深度学习已广泛用于提取特征和检测目标，它在提高海上无人机目标检测的准确性和效率方面具有巨大潜力。
[0004]一般来说，基于深度学习的目标检测可以分为两大类：两阶段检测模型和一阶段检测模型。在两阶段目标检测模型中，基于一系列候选框检测不同的目标。基于具有CNN特征的区域(RCNN)的模型是典型的两阶段目标检测模型，其在检测精度和定位精度方面表现出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测的方法，包括：获取输入图像；利用机器学习模型，生成所述输入图像中目标的多个预测边界框，所述机器学习模型的骨干网络包括第一卷积块和多个第二卷积块，所述第一卷积块包括卷积层、正则化层、激活层，所述第二卷积块包括多个所述第一卷积块和残差模块，所述残差模块包括多个所述第一卷积块和通道注意力模块及空间注意力模块；使用非极大值抑制，确定最大概率的预测边界框；以及根据所述最大概率的预测边界框，确定检测结果。2.根据权利要求1所述的方法，其中，所述多个第二卷积块之间采用密集连接。3.根据权利要求1所述的方法，其中，所述机器学习模型还包括与所述骨干网络连接的递归特征金字塔网络。4.根据权利要求1所述的方法，还包括：基于图像集和图像中目标的标签，训练所述机器学习模型。5.根据权利要求4所述的方法，还包括：利用K
‑
Means聚类算法对所述图像集进行聚类处理；将处理后的所述图像集输入到所述机器学习模型，生成目标的预测边界框；以及基于目标的真实边界框和所述预测边界框之间的比较，更新所述机器学习模型。6.根据权利要求5所述的方法，其中，所述基于目标的真实边界框和所述预测边界框之间的比较，更新所述机器学习模型包括：基于以下损失函数，更新所述机器学习模型：其中，b和b
gt
分别是预测边界框和真实边界框的中心点，d是预测边界框中心点与真实边界框中心点之间的欧几里得距离，c是覆盖...

【专利技术属性】
技术研发人员：任雪峰，罗巍，
申请(专利权)人：北京卓翼智能科技有限公司，
类型：发明
国别省市：