【技术实现步骤摘要】
一种基于深度学习的无人机场景下小目标检测的方法
[0001]本专利技术涉及一种基于深度学习的无人机场景下小目标检测的方法，属于计算机视觉的目标检测领域。
技术介绍
[0002]无人机产业迅速发展，在工业、农业、军事等行业都发挥着重要作用。无人机传输的画面也可以提供地面拍摄所不能给予的信息。目前无人机场景下小目标检测方法存在以下两种问题：无人机画面易受到光线或机身角度的影响，导致图像灰暗从而损失小目标的细节信息；目前的检测网络对小目标的检测性能不佳。
[0003]如果直接将无人机画面用于检测而不进行预处理，经常会出现自然光线不好或者无人机位置不合适导致曝光问题，这会损失小目标的部分细节并对后续检测造成不好的影响。
[0004]传统的弱光增强方法一般是基于直方图均衡或Retinex模型等方法，处理速度慢，自适应力低，不能满足后续检测对精度以及实时性的要求；而基于深度学习的弱光增强方法则大部分依赖成对的数据集进行训练，训练复杂其次无人机拍摄目标普遍较小，由于小目标本身具有尺寸有限，外观和几何线索较少以及和背景区分度...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的无人机场景下小目标检测的方法，其特征在于，所述方法包括：将无人机拍摄的画面输入预先训练的基于Unet型网络结构的生成器中，输出正常光线的图像；将正常光照的图像输入目标检测主干网络中，输出多个多维矩阵特征图，所述目标检测网络以卷积块Self
‑
Block为基础融合了通道注意力机制和空间注意力机制，采用7*7的大卷积核；将多个多维矩阵特征图输入特征金字塔BiFPN
‑
S模块进行特征融合，输出相应的多个特征图用于预测不同尺寸的目标。2.根据权利要求1所述的基于深度学习的无人机场景下小目标检测的方法，其特征在于，所述生成器的训练方法包括：选择弱光图像和正常光照的图像；将弱光图像和正常光照的图像输入鉴别器与生成器中，通过鉴别器指导生成器生成更加真实的图像；生成器与相对鉴别器采用交替训练使得生成的图像无限逼近正常光照图像，将生成器部分作为训练好的生成器。3.根据权利要求2所述的基于深度学习的无人机场景下小目标检测的方法，其特征在于，所述鉴别器的结构公式如下：于，所述鉴别器的结构公式如下：其中x
r
表示从正常图像中采样，而x
f
表示从生成器生成的图像中采样，σ表示sigmoid函数，C(x)表示图像是真实正常光照图像的概率，E()表示数学期望。4.根据权利要求2所述的基于深度学习的无人机场景下小目标检测的方法，其特征在于，所述生成器损失函数Loss
G
...
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。