一种复杂场景小目标的数据处理检测方法及数据训练方法技术

本发明专利技术公开了一种复杂场景小目标的数据处理检测方法及数据训练方法，采用交叉熵函数、Epoch、PyTorch、SGD、卷积神经网络架构等技术组合，其中卷积神经网络架构使用的是YOLOv5架构，主要包括Focus、CBS、CSP和SPP模块，训练结束生成的模型，可以对复杂场景下的小目标进行实时检测。本发明专利技术可以有效缓解小目标检测中存在的聚集、遮挡及特征提取不充分的问题，并对新图像进行检测，并给出对应的识别与分类。并给出对应的识别与分类。并给出对应的识别与分类。

【技术实现步骤摘要】
一种复杂场景小目标的数据处理检测方法及数据训练方法


[0001]本专利技术涉及计算机视觉领域，尤其涉及一种复杂场景小目标的数据处理检测方法及数据训练方法。

技术介绍

[0002]目标检测是计算机视觉领域的重要问题之一，它可以应用于诸如自动驾驶、安防监控、人脸识别等领域。
[0003]复杂场景下的小目标检测场景通常包括，大场景，大场景中存在大量的目标和背景，小目标很容易被淹没在大量的背景中，难以被有效地检测出来；遮挡场景，小目标容易被遮挡，例如人群中的行人、车流中的摩托车、森林中的小动物等，往往会被周围的物体或者植被所遮挡，导致检测结果不准确；多变光照场景，光照条件的不断变化，往往会导致小目标的外观发生变化，例如在日落时分拍摄的人像和在正午时分拍摄的人像，往往具有明显的差异。
[0004]传统的目标检测方法通常采用滑动窗口和金字塔等方式对图像进行多次扫描，再使用分类器对每个窗口进行分类。但是，对于小目标来说，由于其尺寸较小，存在多种问题，如低分辨率、模糊和严重的遮挡等问题，这些问题使得传统的目标检测方法在小目标检测上的效果很难得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂场景小目标的数据处理检测方法，其特征在于，包括以下步骤：S31：结合特征金字塔网络和路径聚合网络的思想，在YOLOv5网络结构中CSP2_1结构层的80
×
80预测特征层的基础上，加入与原网络相同的1
×
1卷积层和上采样层，将原YOLOv5的Neck网络的特征层再进行一次上采样，将其分辨率由80
×
80扩大到160
×
160，以获取小目标更为浅层的初始信息；S32：将扩展后的高分辨率特征图与主干网络浅层特征进行特征融合，得到具备若干语义信息和位置信息的特征层；S33：将融合后的特征层输入到卷积层中进行下采样，其中卷积核为3，步距为2，最后将其与原本卷积层输出结果进行融合。2.根据权利要求1所述的一种复杂场景小目标的数据处理检测方法，其特征在于，其中步骤S32中主干网络上的浅层特征的特征图尺寸大小为160
×
160，保证步骤S32进行特征融合时，高分辨率特征图与主干网络浅层特征的特征图分辨率一致。3.一种数据训练方法，其特征在于，包括以下步骤：S41：数据准备，需准备复杂场景下小目标图像数据集，其中存在大量小目标，小目标种类有：人、自行车、轿车、面包车、卡车、三轮车、公共汽车和摩托车，训练及使用前根据卷积网络的要求，将图片统一大小，以保证后续计算顺利进行；S42：数据增强，在进行训练之前对图像进行数据翻转和mosaic处理；S43：采用权利要求1
‑
2任一项所述的一种复杂场景小目标的数据处理检测方法与YOLOv5相结合，并结合注意力机制，建立最终检测网络，训练模型，模型训练在进行梯度下降的过程中，初始学习率设置为0.01，并通过"one<...

【专利技术属性】
技术研发人员：刘刚，王冰冰，周杰，王磊，史魁杰，曾辉，张金烁，胡莉，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：