一种基于增强特征提取的小目标检测方法技术

本发明专利技术公开了一种基于增强特征提取的小目标检测方法，属于图像处理和计算机视觉技术领域。该检测方法包括：采集图像构建数据集，并将数据集划分为训练集和测试集；构建改进的YOLOV5网络模型，其主干网络用shufflenet V2代替，添加坐标注意力机制，改进特征提取结构：加深特征金字塔FPN，增加浅层特征重用，删除低分辨率目标检测层，避免无效计算；使用训练集数据对改进的YOLOV5网络模型进行训练，得到小目标检测模型。本发明专利技术通过增加浅层特征重用及引入坐标注意力机制，提升了检测精度，通过缩减模型体积，降低网络参数量及计算量，满足了实时性的要求。实时性的要求。实时性的要求。

【技术实现步骤摘要】
一种基于增强特征提取的小目标检测方法


[0001]本专利技术涉及图像处理和计算机视觉
，特别涉及一种基于增强特征提取的小目标检测方法。

技术介绍

[0002]长久以来，目标检测都是计算机视觉领域的重要研究方向之一，现已广泛应用于各个领域，如医疗、航空航天、工农业、交通、自动驾驶等，对于提高人们的生活质量有着极大的影响。
[0003]传统的目标检测算法通常采用人工提取目标特征的方法，并根据对象的不同设计专门的分类器，其精度不高、设计复杂且泛化能力较低，因而不能达到理想的效果。随着大数据时代的到来以及硬件计算能力的提升，基于深度学习的卷积神经网络(convolutional neuralnetwork,CNN)渐渐进入了人们的视野中，为目标检测的发展提供了巨大的推力。基于深度学习的目标检测算法可以分为基于候选框的两阶段(Two
‑
stage)检测算法和基于回归的一阶段(One
‑
stage)检测算法。两阶段的算法首先提取候选区域，之后通过神经网络对样本进行分类。基于两阶段的检测方法主要有：R
...

【技术保护点】

【技术特征摘要】
1.一种基于增强特征提取的小目标检测方法，其特征在于，包括：(1)采集图像构建数据集，并将所述数据集划分为训练集和测试集；(2)构造改进的YOLOV5网络模型：(2.1)主干网络用shufflenet V2代替：采用双卷积核处理并连接的方式，同时合并连续的逐元素操作；(2.2)添加坐标注意力机制：将位置信息嵌入到通道注意力之中，综合图像全局信息，弱化背景信息干扰；(2.3)改进特征提取结构：加深特征金字塔FPN，增加浅层特征重用，保留更丰富的位置信息，增强小目标特征提取能力，同时由于数据集中目标尺度分布的特点，删除低分辨率目标检测层，避免无效计算；(3)使用所述数据集数据对所述改进的YOLOV5网络模型进行训练，获得小目标检测模型。2.根据权利要求1所述的基于增强特征提取的小目标检测方法，其特征在于，所述步骤(2.1)主干网络用shufflenet V2代替包括：使用所述Shufflenet v2卷积模块替换原始网络中的3
‑
8层的卷积模块与C3模块，采用通道分割和通道混洗策略。3.根据权利要求2所述的基于增强特征提取的小目标检测方法，其特征在于：所述通道分割：将每个单元的c个特征通道输入分割为两个分支，分别具有c
‑
c
’
和c
’
个通道，其中c
’
取值c/2；之后连接卷积所得到的两个分支以维持通道数相同；所述通道混洗：保证不同分支之间能够进行信息交流。4.根据权利要求1所述的基于增强特征提取的小目标检测方法，其特征在于，所述步骤(2.2)添加坐标注意力机制包括：在主干网络的第2、5、8、12层之后加入坐标注意力模块。5.根据权利要求4所述的基于增强特征提取的小目标检测方法，其特征在于，所述坐标注意力模块的实现如下：(2.2.1)坐标注意力嵌入：对全局池化进行分解得到一对一维特征的编码；对于C
×
H
×
W维度的输入，其中C为通道数，H为高度，W为宽度，利用维度为(H,1)或(1,W)的池化核按照水平坐标及垂直坐标对每个通道进行编码；(2.2.2)...

【专利技术属性】
技术研发人员：安康，刘玉强，李明轩，宋亚庆，刘翔鹏，何凤琴，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：