一种基于深度学习的航拍图像小目标检测方法技术

本发明专利技术公开了一种基于深度学习的航拍图像小目标检测方法，设计并使用一种大卷积核架构的骨干网络，旨在解决在航拍图像中目标过小难以检测的问题。与通过大量堆叠小卷积核的卷积块来实现特征提取的方法不同，本发明专利技术使用了一种大卷积核架构的骨干网络，通过少量堆叠大卷积核的卷积块来提高模型的有效感受野，使得模型能够从数据学习到更多特征，从而达到提高模型检测精度的效果。此外，为了减少大卷积核带来的计算复杂度问题，本发明专利技术还采用了深度可分离卷积、结构重参数化等方法来降低模型的计算复杂度。算复杂度。算复杂度。

【技术实现步骤摘要】
一种基于深度学习的航拍图像小目标检测方法


[0001]本专利技术属于数字图像处理
，涉及一种目标检测方法，具体涉及一种基于深度学习的航拍图像小目标检测方法。

技术介绍

[0002]随着消费级无人机的普及，对无人机拍摄到的图像进行目标检测任务逐渐成为了一个热门的研究方向。一方面，无人机常常位于较高的位置进行拍摄，因此无人机图像的一个显著特点就是被拍摄物体常常较小。实验表明，当前主流的基于深度学习的通用目标检测模型对小目标检测的效果都不尽人意，检测精度一般远小于中等目标和大目标。另一方面，无人机的移动速度较快，灵活性高，使用一般的目标检测算法可能会使得模型推理时间大于被拍摄物体出现时间，导致出现漏检的情况。
[0003]随着深度学习的不断发展，越来越多的研究聚焦基于深度学习的目标检测方法。当下使用深度学习模型进行目标检测的主流方法，是采用小卷积核不断堆叠的方法来获取模型的感受野。这种方法目前应用最为广泛的为Kaiming He在Deep Residual Learning for Image Recognition一文中提出的ResN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的航拍图像小目标检测方法，其特征在于，包括以下步骤：步骤1：对输入模型的训练数据进行预处理；步骤2：对预处理后的数据进行数据增强，即随机裁剪、随机排列、随机缩放、加入马赛克后组合成一张图片；步骤3：将增强后的数据输入基于大卷积核设计的骨干网络，并训练模型参数直至损失函数不再下降，所述骨干网络由若干个模块组成：模块1：Stem模块，由两组普通卷积和深度可分离卷积组成，使用Stem模块进行下采样，获取粗粒度的特征和空间通道特征；模块2：包含3个Stage，第i个Stage，i＝1,2,3，包含若干个Block与Transition的组合，每个Block使用大卷积核的卷积进行计算，每个Transition用来下采样并调整通道数；将特征输入Stage中，每个Stage中包含了使用大卷积核设计的卷积块和用来调整通道数与降采样的过渡块，在卷积块中的大卷积核模块RepLKBlock使用的大卷积核尺寸最大为27；模块3：SPPCSPC模块，对模块2的输出进行池化；步骤4：训练结束后使用结构重参数化方法将小卷积核的卷积层与BN层进行重参数化；步骤5：使用训练好的模型对真实数据进行推理，得到小目标检测结果。2.根据权利要求1所述的基于大卷积核的小目标检测方法，其特征在于，步骤1中的数据预处理包括数据集划分，调整输入尺寸。3.根据权利要求1所述的基于大卷积核的小目标检测方法，其特征在于，所述的Stem模块，由两组普通卷积和深度可分离卷积组成；第一组中普通卷积的卷积核大小为3
×
3，步长Stride＝2，深度可分离卷积的卷积核大小为3
×
3，步长Stride＝1；第二组中普通卷积的卷积核大小为3
×
3，步长Stride＝1，深度可分离卷积的卷积核大小为3
×
3，步长Stride＝2。4.根据权利要求1所述的基于大卷积核的小目标检测方法，其特征在于，所述Stage模块包含前馈网络模块ConvFFNBlock
‑
S。5.根据权利要求1所述的基于大卷积核的小目标检测方法，其特征在于，大卷积核模块RepLKBlock包括：BN层，K
×
K的大卷积，K
×
K大卷积前后各一个1
×
1的卷积，以及残差连接。6.根据权利要求4所述的基于大卷积核的小目标检测方法，其特征在于，所述前馈网...

【专利技术属性】
技术研发人员：张登银，陈皓然，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：