一种小目标检测方法、装置、设备及存储介质制造方法及图纸

本申请实施例设计检测技术领域，提供了一种小目标检测方法、装置、设备及存储介质，包括：获取输入图像的第一特征图和第二特征图，第一特征图和所述第二特征图的尺度不同；按照第一特征图和第二特征图的自适应权重，对第一特征图和第二特征图进行加权，得到加权的第一特征图和加权的第二特征图，自适应权重用于根据特征图中目标大小程度，赋予与特征图中目标大小程度对应的融合权重；根据加权的第一特征图与加权的第二特征图，对输入图像中的小目标进行检测。本申请通过引入表征目标大小的不同尺度的特征图的自适应权重，提升了小目标检测的召回率，通过加权避免了大小目标的训练冲突，降低了训练优化过程的训练时间，提升预测值的性能。值的性能。值的性能。

【技术实现步骤摘要】
一种小目标检测方法、装置、设备及存储介质


[0001]本申请实施例涉及检测
，具体而言，涉及一种小目标检测方法、装置、设备及存储介质。

技术介绍

[0002]目标检测是计算机视觉领域的一个重要分支，随着深度学习的发展，通用目标检测器如SSD、YOLO系列等得到了极大的发展。其中YOLOV5以其出色的推理速度及效果得到了极大的应用。由于摄像头(尤其在监控场景中)的远近的影响，摄像头中较远的小目标对YOLOV5检测器的效果带来了挑战。
[0003]YOLOV5作为一种一阶检测器，其在检测对象时采用启发式引导的特征选择，即：大目标通常与较高特征图相关联(此时特征图空间分辨率较小)，而小目标通常与较低特征图相关联。因此，一旦图像中既含有大目标又含有小目标时，不同层级之间的特征存在冲突，这种冲突会干扰训练期间的梯度计算，并降低特征金字塔的有效性，从而使小目标检测的召回率降低，模型训练的收敛速度变慢，影响检测性能。因此，如何提升小目标检测的性能，成为当前亟待解决的问题。

技术实现思路

[0004]本申请实施例在于提供一种小目标检测方法、装置、设备及存储介质，旨在解决如何提升小目标检测的性能的问题。
[0005]本申请实施例第一方面提供一种小目标检测方法，包括：
[0006]获取输入图像的第一特征图和第二特征图，所述第一特征图和所述第二特征图的尺度不同；
[0007]按照所述第一特征图和所述第二特征图的自适应权重，对所述第一特征图和所述第二特征图进行加权，得到加权的第一特征图和加权的第二特征图，所述自适应权重用于根据特征图中目标大小程度，赋予与所述特征图中目标大小程度对应的融合权重；
[0008]根据所述加权的第一特征图与所述加权的第二特征图，对所述输入图像中的小目标进行检测。
[0009]在一种可选的实施方式中，所述自适应权重包括第一权重和第二权重，5按照针对于所述第一特征图的所述第一权重，对所述第一特征图进行加权，
[0010]得到加权的第一特征图，包括：
[0011]根据所述第一特征图得到第一权重；
[0012]将所述第一权重与所述第一特征图中的所有元素进行逐元素相乘，得到所述加权的第一特征图；
[0013]0所述自适应权重包括第一权重和第二权重，按照针对于所述第二特征图
[0014]的所述第二权重，对所述第二特征图进行加权，得到加权的第二特征图，包括：
[0015]根据所述第二特征图得到第二权重；
[0016]将所述第二权重与所述第二特征图中的所有元素进行逐元素相乘，得到5所述加权的第二特征图。
[0017]在一种可选的实施方式中，所述第一权重，按照如下方式获取：
[0018]对所述第一特征图进行池化，并基于目标卷积核进行卷积运算，得到所述第一特征图对应的第一权重，其中，所述目标卷积核的通道数与所述第一特征图的通道数相同。
[0019]0在一种可选的实施方式中，所述第二权重，按照如下方式获取：
[0020]对所述第二特征图进行通道信息减半，并进行上采样，得到初处理的第二特征图，所述初处理的第二特征图与所述第一特征图的尺度相同；
[0021]对所述初处理的第二特征图进行池化，并基于目标卷积核进行卷积运算，
[0022]得到所述第二特征图对应的第二权重，其中，所述目标卷积核的通道数与所5述第一特征图的通道数相同。
[0023]在一种可选的实施方式中，在得到所述第一权重和所述第二权重之后，包括：
[0024]基于Sigmoid函数对所述第一特征图对应的第一权重进行非线性化处理，得到非线性第一权重；
[0025]基于Sigmoid函数对所述第二特征图对应的第二权重进行非线性化处理，得到非线性第二权重。
[0026]在一种可选的实施方式中，根据所述加权的第一特征图与所述加权的第二特征图，对所述输入图像中的小目标进行检测，包括：
[0027]将所述加权的第一特征图中每个位置的元素，与所述加权的第二特征图中对应位置的元素进行相加，并将通道数进行翻倍，得到融合特征图；
[0028]基于所述融合特征图进行目标检测卷积运算，得到预测值。
[0029]在一种可选的实施方式中，所述方法应用于YOLOv5网络，所述YOLOv5网络包括主干网络、颈部聚合网络和头部检测网络；所述方法，还包括：
[0030]将所述输入图像输入所述主干网络进行下采样，得到所述第一特征图和所述第二特征图；
[0031]将所述第一特征图和所述第二特征图输入所述颈部聚合网络进行加权并融合，得到融合特征图；
[0032]将所述融合特征图输入所述头部检测网络，输出预测值。
[0033]在一种可选的实施方式中，所述颈部聚合网络包括FAWS模组、加权模组和融合模组，所述自适应权重包括第一权重和第二权重，将所述第一特征图和所述第二特征图输入所述颈部聚合网络进行加权并融合，得到融合特征图，包括：
[0034]将所述第一特征图和所述第二特征图输入所述FAWS模组，获取针对于所述第一特征图的所述第一权重，以及针对于所述第二特征图的所述第二权重；
[0035]将所述第一特征图与所述第一权重输入所述加权模组，并将所述第一权重与所述第一特征图中的所有元素进行逐元素相乘，得到所述加权的第一特征图；将所述第二特征图与所述第二权重输入所述加权模组，并将所述第二权重与所述第二特征图中的所有元素进行逐元素相乘，得到所述加权的第二特征图；
[0036]将所述加权的第一特征图的每个位置的元素，与所述加权的第二特征图中对应位置的元素进行相加，得到所述融合特征图。
[0037]在一种可选的实施方式中，所述FAWS模组包括池化单元、卷积单元和Sigmoid单元，将所述第一特征图输入所述FAWS模组，获取针对于所述第一特征图的所述第一权重，包括：
[0038]将所述第一特征图输入所述池化单元进行平均池化，得到池化的第一特征图；
[0039]将所述池化的第一特征图输入所述卷积单元，基于目标卷积核进行卷积运算，得到所述第一特征图对应的所述第一权重，其中，所述目标卷积核的通道数与所述第一特征图的通道数相同；
[0040]将所述第一权重输入所述Sigmoid单元，得到非线性第一权重，将所述非线性第一权重作为所述第一权重。
[0041]在一种可选的实施方式中，所述FAWS模组包括池化单元、卷积单元和Sigmoid单元，将所述第二特征图输入所述FAWS模组，获取针对于所述第二特征图的所述第二权重，包括：
[0042]对所述第二特征图进行通道信息减半，并进行上采样，得到初处理的第二特征图，所述初处理的第二特征图与所述第一特征图的尺度相同；
[0043]将所述初处理的第二特征图输入所述池化单元进行平均池化，得到池化的第二特征图；
[0044]将所述池化的第二特征图输入所述卷积单元，基于目标卷积核进行卷积运算，得到所述第二特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小目标检测方法，其特征在于，包括：获取输入图像的第一特征图和第二特征图，所述第一特征图和所述第二特征图的尺度不同；按照所述第一特征图和所述第二特征图的自适应权重，对所述第一特征图和所述第二特征图进行加权，得到加权的第一特征图和加权的第二特征图，所述自适应权重用于根据特征图中目标大小程度，赋予与所述特征图中目标大小程度对应的融合权重；根据所述加权的第一特征图与所述加权的第二特征图，对所述输入图像中的小目标进行检测。2.根据权利要求1所述的小目标检测方法，其特征在于，所述自适应权重包括第一权重和第二权重，按照针对于所述第一特征图的所述第一权重，对所述第一特征图进行加权，得到加权的第一特征图，包括：根据所述第一特征图得到第一权重；将所述第一权重与所述第一特征图中的所有元素进行逐元素相乘，得到所述加权的第一特征图；所述自适应权重包括第一权重和第二权重，按照针对于所述第二特征图的所述第二权重，对所述第二特征图进行加权，得到加权的第二特征图，包括：根据所述第二特征图得到第二权重；将所述第二权重与所述第二特征图中的所有元素进行逐元素相乘，得到所述加权的第二特征图。3.根据权利要求2所述的小目标检测方法，其特征在于，所述第一权重，按照如下方式获取：对所述第一特征图进行池化，并基于目标卷积核进行卷积运算，得到所述第一特征图对应的第一权重，其中，所述目标卷积核的通道数与所述第一特征图的通道数相同。4.根据权利要求2所述的小目标检测方法，其特征在于，所述第二权重，按照如下方式获取：对所述第二特征图进行通道信息减半，并进行上采样，得到初处理的第二特征图，所述初处理的第二特征图与所述第一特征图的尺度相同；对所述初处理的第二特征图进行池化，并基于目标卷积核进行卷积运算，得到所述第二特征图对应的第二权重，其中，所述目标卷积核的通道数与所述第一特征图的通道数相同。5.根据权利要求2所述的小目标检测方法，其特征在于，在得到所述第一权重和所述第二权重之后，包括：基于Sigmoid函数对所述第一特征图对应的第一权重进行非线性化处理，得到非线性第一权重；基于Sigmoid函数对所述第二特征图对应的第二权重进行非线性化处理，得到非线性第二权重。6.根据权利要求1所述的小目标检测方法，其特征在于，根据所述加权的第一特征图与所述加权的第二特征图，对所述输入图像中的小目标进行检测，包括：将所述加权的第一特征图中每个位置的元素，与所述加权的第二特征图中对应位置的
元素进行相加，并将通道数进行翻倍，得到融合特征图；基于所述融合特征图进行目标检测卷积运算，得到预测值。7.根据权利要求1所述的小目标检测方法，其特征在于，所述方法应用于YOLOv5网络，所述YOLOv5网络包括主干网络、颈部聚合网络和头部检测网络；所述方法，还包括：将所述输入图像输入所述主干网络进行下采样，得到所述第一特征图和所述第二特征图；将所述第一特征图和所述第二特征图输入所述颈部聚合网络进行加权并融合，得到融合特征图；将所述融合特征图输入所述头部检测网络，输出预测值。8.根据权利要求7所述的小目标检测方法，其特征在于，所述颈部聚合网络包括FAWS模组、加权模组和融合模组，所述自适应权重包括第一权重和第二权重，将所述第一特征图和所述第二特征图输入所述颈部聚合网络进行加权并融合，得到融合特征图，包括：将所述第一特征图和所述第二特征图输入所述FAWS模组，获取针对于所述第一特征图的所述第一权重，以及针对于所述第二特征图的所述第二权重；将所述第一特征图与所述第一权重输入所述加权模组，并将所述第一权重与所述第一特征图中的所有元素进行逐元素相乘，得到所述加权的第...

【专利技术属性】
技术研发人员：李永，卢隆，梁丞瑜，陈岩，李文成，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：