一种基于高低层特征融合的小目标检测方法技术

本发明专利技术公开了一种基于高低层特征融合的小目标检测方法，包括：获取待进行小目标检测的目标图像；利用预设的基于多尺度融合策略的目标检测神经网络对目标图像进行小目标检测；其中，目标检测神经网络中基于一高低层特征融合模块实现对低层特征和高层特征的融合；高低层特征融合模块，用于分别对低层特征和高层特征进行预处理，以使低层特征和高层特征的维度相同；对预处理后低层特征先进行通道压缩再进行通道扩展，以保留小目标的有用信息以及过滤无用信息，得到通道压缩扩展特征；将通道压缩扩展特征与预处理后的高层特征进行相乘，并将乘积结果与预处理后的高层特征进行相加，作为高低层融合特征。本发明专利技术进一步提高了小目标检测的准确性。测的准确性。测的准确性。

【技术实现步骤摘要】
一种基于高低层特征融合的小目标检测方法


[0001]本专利技术属于计算机视觉目标检测
，具体涉及一种基于高低层特征融合的小目标检测方法。

技术介绍

[0002]在目标检测领域中，小目标在图像中所占像素的格式通常小于30个像素，包含的有效信息十分有限，难以被有效检测。其次，小目标容易受到背景环境包括裸露的土壤，森林，丘陵，海洋等外界因素的干扰，进一步增加了小目标检测的困难。
[0003]利用训练好的神经网络进行目标检测是常用的一种目标检测方式；但由于小目标与常规目标相比可利用的像素较少，难以提取到较好的特征，而且随着网络层数的增加，小目标的特征信息与位置信息也逐渐丢失。
[0004]针对小目标检测的难题，现有技术中提出了多种策略来解决小目标检测的问题，包括多尺度融合策略，上下文信息提取策略，解决样本量少的弱监督学习等等方法，都很好的提升了模型性能。
[0005]其中，针对多尺度融合策略，FPN(Feature Pyramid Networks，特征金字塔网络)作为开创性工作之一，提出了构建特征金字塔进行特征融合；例如在YOLO系列网络中，从YOLOv3到目前新版的YOLOv7都有多尺度融合的身影出现。
[0006]图1示出了现有FPN的结构示意图；从图1中可以看到，现有FPN实现多尺度特征融合的方式是先对低层特征进行上采样(Upsample)，然后与高层特征进行相加，形成残差结构，以此来实现高低层特征融合。
[0007]然而，虽然上述多尺度融合策略在面对小目标时已经有很好的表现，但在检测准确性方面的性能仍然有待进一步提高。

技术实现思路

[0008]为了解决现有技术中所存在的上述问题，本专利技术提供了一种基于高低层特征融合的小目标检测方法。
[0009]本专利技术要解决的技术问题通过以下技术方案实现：
[0010]一种基于高低层特征融合的小目标检测方法，包括：
[0011]获取待进行小目标检测的目标图像；
[0012]利用预设的基于多尺度融合策略的目标检测神经网络对所述目标图像进行小目标检测；
[0013]其中，所述目标检测神经网络中基于一高低层特征融合模块实现对低层特征和高层特征的融合；所述高低层特征融合模块，用于分别对低层特征和高层特征进行预处理，以使低层特征和高层特征的维度相同；对预处理后低层特征先进行通道压缩再进行通道扩展，以保留小目标的有用信息以及过滤无用信息，得到通道压缩扩展特征；将所述通道压缩扩展特征与预处理后的高层特征进行相乘，并将乘积结果与预处理后的高层特征进行相
加，作为高低层融合特征。
[0014]可选地，所述目标检测神经网络，包括：
[0015]基于所述高低层特征融合模块实现高低层特征融合的YOLOv5、YOLOv7或ResNet50。
[0016]可选地，所述高低层特征融合模块应用于所述目标检测神经网络的特征金字塔网络FPN和/或路径聚合网络PAN中。
[0017]可选地，所述目标检测神经网络中还包括一特征拼接总模块；
[0018]所述特征拼接总模块，用于将所述目标检测神经网络中的最底层的低层特征与最高层的高低层融合特征进行拼接。
[0019]可选地，对低层特征进行预处理的方式，包括：
[0020][0021]其中，表示低层特征，Fconv(
·
)表示卷积算子，表示所述目标检测神经网络的第个卷积核的学习参数，个卷积核的学习参数，表示低层特征的卷积核通道数；表示卷积，δ(
·
)表示SiLU函数，M表示预处理后的低层特征。
[0022]可选地，对低层特征进行通道压缩的方式，包括：
[0023][0024]其中，表示预处理后的低层特征，ε表示通道压缩因子，Fsqueeze(
·
)表示通道压缩函数，F表示通道压缩后的低层特征。
[0025]可选地，对通道压缩后的低层特征进行通道扩展的方式，包括：
[0026][0027]其中，表示通道压缩后的低层特征，l∈[1,C]，C表示目标检测神经网络的卷积核通道数，Fexpand(
·
)表示通道扩展函数，σ(
·
)表示sigmoid函数，表示所述通道压缩扩展特征。
[0028]可选地，对所述高层特征进行预处理的方式包括：
[0029]采用最临近差值的方法对所述高层特征进行预处理。
[0030]可选地，所述目标图像包括：遥感图像。
[0031]本专利技术提供的基于高低层特征融合的小目标检测方法中，使用的基于多尺度融合策略的目标检测神经网络中基于一高低层特征融合模块实现对低层特征和高层特征的融合；该高低层特征融合模块通过对低层特征先进行通道压缩再进行通道扩展，有效保留了小目标的有用信息以及过滤无用信息；然后，采用空间通道信息交互方法来实现高低层特
征融合，给予空间通道足够的关注，考虑到了通道之间的关系以及高低层特征图之间的关联性，具体是将通道压缩扩展特征与高层特征进行相乘，并将乘积结果与高层特征进行相加作为高低层融合特征。基于以上操作，使得基于该目标检测神经网络进行小目标检测可以进一步提高针对小目标的检测性能。
[0032]以下将结合附图及对本专利技术做进一步详细说明。
附图说明
[0033]图1是一种现有ResNet50网络的结构示意图；
[0034]图2是本专利技术实施例提供的一种基于高低层特征融合的小目标检测方法的流程图；
[0035]图3是图2所示方法中在目标检测神经网络中使用的高低层特征融合模块的结构示意图；
[0036]图4是本专利技术实施例中在图1所示ResNet50中使用了图3所示高低层特征融合模块的结构示意图；
[0037]图5中示出了在FPN中使用高低层特征融合模块对三种不同尺度特征进行融合的过程；
[0038]图6是本专利技术实施例进行仿真验证时使用的数据集的标签分布情况。
具体实施方式
[0039]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0040]为了进一步提高小目标检测的准确性，本专利技术实施例提供了一种基于高低层特征融合的小目标检测方法，参见图2所示，该方法包括以下步骤：
[0041]S10：获取待进行小目标检测的目标图像。
[0042]这里，目标图像的具体类型可以存在多种，例如由无人机高空拍摄的图像，或者雷达拍摄的遥感图像等等。在这类目标图像中，小目标可以是地面上的行人、车辆以及建筑物等，或者是海面上的船只、浮标等。
[0043]S20：利用预设的基于多尺度融合策略的目标检测神经网络对目标图像进行小目标检测。
[0044]其中，该目标检测神经网络中基于一高低层特征融合模块实现对低层特征和高层特征的融合；参见图3所示，该高低层特征融合模块，用于在分别对低层特征X和高层特征Y进行预处理，以使低层特征和高层特征的维度相同，得到预处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高低层特征融合的小目标检测方法，其特征在于，包括：获取待进行小目标检测的目标图像；利用预设的基于多尺度融合策略的目标检测神经网络对所述目标图像进行小目标检测；其中，所述目标检测神经网络中基于一高低层特征融合模块实现对低层特征和高层特征的融合；所述高低层特征融合模块，用于分别对低层特征和高层特征进行预处理，以使低层特征和高层特征的维度相同；对预处理后低层特征先进行通道压缩再进行通道扩展，以保留小目标的有用信息以及过滤无用信息，得到通道压缩扩展特征；将所述通道压缩扩展特征与预处理后的高层特征进行相乘，并将乘积结果与预处理后的高层特征进行相加，作为高低层融合特征。2.根据权利要求1所述的基于高低层特征融合的小目标检测方法，其特征在于，所述目标检测神经网络，包括：基于所述高低层特征融合模块实现高低层特征融合的YOLOv5、YOLOv7或ResNet50。3.根据权利要求2所述的基于高低层特征融合的小目标检测方法，其特征在于，所述高低层特征融合模块应用于所述目标检测神经网络的特征金字塔网络FPN和/或路径聚合网络PAN中。4.根据权利要求1所述的方法，其特征在于，所述目标检测神经网络中还包括一特征拼接总模块；所述特征拼接总模块，用于将所述目标检测神经网络中的最底层的低层特征与最高层的高低层融合特征进行...

【专利技术属性】
技术研发人员：闵令通，范子满，周德云，李枭扬，吕勤毅，杨振，支元杰，何玉亭，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：