一种多尺度特征及自适应权重的小目标检测方法技术

本发明专利技术公开了一种多尺度特征及自适应权重的小目标检测方法，通过二维摄像头对实时采集的图像进行物体检测；所述的检测方法采用ResNet网络作为主干网络。采用上述技术方案，通过对ResNet网络进行改进，采用多尺度特征融合并自适应分配权重的方法，实现网络自适应动态调整各个特征的重要性，提高了模型对小目标的检测能力、准确性和检测效果，可有效地提高小目标的检出率。小目标的检出率。小目标的检出率。

【技术实现步骤摘要】
一种多尺度特征及自适应权重的小目标检测方法


[0001]本专利技术属于图像检测与处理的
更具体地，本专利技术涉及一种多尺度特征及自适应权重的小目标检测方法。

技术介绍

[0002]目标检测是计算机视觉领域中的一个重要研究方向，也是其他复杂视觉任务如图像分割、目标跟踪的研究基础。
[0003]随着深度学习的发展，基于深度学习的目标检测技术取得了巨大的进展。在现实场景中，由于小目标是大量存在的，因此小目标检测具有广泛的应用前景。
[0004]例如，在无人驾驶系统中，当交通信号灯或行人等目标比较小时，仍然要求无人驾驶车辆能准确识别这些目标并做出相应的反应；在卫星图像的分析中，需要检测汽车、船舶等之类的目标。
[0005]但这些目标往往由于尺度过小造成检测困难。因为小目标的像素少，难以提取有效信息，造成小目标的检测面临着巨大的困难和挑战。
[0006]因此，研究小目标检测的有效方法、提高小目标的检测性能和检测效果，是当前目标检测领域非常重要和迫切的研究课题。

技术实现思路

[0007]本专利技术提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度特征及自适应权重的小目标检测方法，通过二维摄像头对实时采集的图像进行物体检测，其特征在于：所述的检测方法采用ResNet网络作为主干网络。2.按照权利要求1所述的多尺度特征及自适应权重的小目标检测方法，其特征在于：所述的检测方法通过在ResNet主干网络中引入跨尺度特征图，使用含有通道注意力机制的大卷积核以及引入多尺度特征及自适应权重的增强小目标特征。3.按照权利要求1所述的多尺度特征及自适应权重的小目标检测方法，其特征在于：所述的检测方法在block模块中使用含有通道注意力机制的大卷积核，有利于网络特征的提取。4.按照权利要求3所述的多尺度特征及自适应权重的小目标检测方法，其特征在于：所述的block模块为ResNet网络中的一个通用模块，即残差块，其可以采用以下式(1)进行表达：χ
l+1
＝x
l
+F(χ
l
，w
l
)
ꢀꢀꢀꢀꢀꢀꢀ
(1)在式(1)中：x1表示第1层特征；x
l+1
表示第1+1层特征；w1表示第1层卷积核权重；F(x
l
，w
l
)为ConvNeXt所使用的大卷积核block，是一个非线性函数，是全连接层与激活函数的组合。5.按照权利要求2所述的多尺度特征及自适应权重的小目标检测方法，其特征在于：所述的检测方法通过使用全局平均池化生成通道统计信息，如以下式(2)所示：在式(2)中：g
c
表示各个通道的统计信息；c为特征图个数；X
c
为c个特征图；H、W分别为特征图的高和...

【专利技术属性】
技术研发人员：张天飞，凌强，周荣强，
申请(专利权)人：安徽信息工程学院，
类型：发明
国别省市：