基于注意力和上下文感知的小目标检测方法技术

本发明专利技术公开了基于注意力和上下文感知的小目标检测方法，包括以下步骤：S1、样本采集，进行样本视频采集；S2、样本处理，对采集到的视频数据进行初步筛选和划分；S3、样本标注，使用软件对数据集进行标注；S4、模型分析，提供训练模型进行训练。本发明专利技术通过对目标轮廓检测和调整标签长宽比，连接小目标的特征和相关背景的特征，增加小目标的可利用信息，达到利用上下文辅助小目标检测的效果；通过在网络中引入注意力机制，提高模型对小目标的关注度以及位置敏感性，增强模型的检测性能。增强模型的检测性能。

【技术实现步骤摘要】
基于注意力和上下文感知的小目标检测方法


[0001]本专利技术涉及电学
，尤其涉及基于注意力和上下文感知的小目标检测方法。

技术介绍

[0002]在真实目标检测场景中，比如航拍图像、自动驾驶和缺陷检测，存在着大量小目标，小目标的检测对工业自动化具有重要的意义。然而现有的通用目标检测算法，无论是一阶段还是两阶段模型，小目标的检测性能与中尺度和大尺度目标存在着十分显著的差距。
[0003]小目标检测难度高的原因在于其在图像中占比少，包含的信息非常有限；小目标边界框对于定位精确度的要求相对于大/中尺度尺寸目标更高；数据集中小目标占比少且不易标注，模型优化较少关注小目标；小目标容易产生聚集现象，多次降采样后导致模型无法区分。
[0004]针对小目标检测存在的难点，国内外学者从多方面入手，在主流目标检测器的基础上进行改进，研究小目标检测算法的技巧与改进。比如采用拼接图像的图像增强方法、引入多尺度图像金字塔、利用生成对抗网络提高小目标分辨率等。然而多数方法为了增强网络检测小目标的能力，往往引入了大量计算量和冗余信息。
专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力和上下文感知的小目标检测方法，其特征在于，包括以下步骤：S1、样本采集，提供视频采集模块，并进行样本视频采集；S2、样本处理，对采集到的视频数据进行初步筛选和划分，等间隔抽取视频帧得到数据集，并将所述数据集划分成训练集与验证集，其中训练集和验证集的数量为8:2；S3、样本标注，将数据集按照模型读取数据的要求，使用LabelImg软件进行标注，且将数据集划窗裁剪为640
×
640大小，将得到的数据集命名为IFPS；S4、模型分析，提供AECA
‑
YOLO目标检测模型，将上述数据集IFPS输入模型训练。2.根据权利要求1所述的基于注意力和上下文感知的小目标检测方法，其特征在于，所述AECA
‑
YOLO目标检测模型网络结构包括骨干网络、颈部网络与头部网络。3.根据权利要求2所述的基于注意力和上下文感知的小目标检测方法，其特征在于，所述骨干网络的SPPF模块前加入坐标注意力模块，所述坐标注意力模块内设有残差模块，所述坐标注意力模块通过残差模块的通道注意力分解为水平X和竖直Y两个方向，且对这两个方向的特征采用平均池化进行一维特征编码，接着在空间维度上采用拼接和卷积操作压缩通道，通过批归一化和非线性回归来编码水平和垂直方向的空间信息，得到同时具备空间和通道维度特征的注意力图，最后将通过Sigmoid激活函数的空间信息通过在通道上加权的方式融合。4.根据权利要求2所述的基于注意力和上下文感知的小目标检测方法，其特征在于，所述颈部网络内设有上采样模块，所述上采样模块包括注意力模块与亚像素采样模块。5.根据权利要求4所述的基于注意力和上下文感知的小目标检测方法，其特征在于，所述上采样模块对于形状为H
×
W
×
C的深层特征图x，经过坐标注意力模块融合空间信息，得到形状相同的的特征图x

【专利技术属性】
技术研发人员：刘梦菲，陆小锋，李克松，毛建华，
申请(专利权)人：上海大学温州研究院，
类型：发明
国别省市：