一种基于图神经网络的机场场面目标检测方法技术

本发明专利技术公开了一种基于图神经网络的机场场面目标检测方法，属于人工智能领域；本发明专利技术被运用到机场场面监控中，主要针对机场场面视频中机场地面物体检测；为解决该问题，本发明专利技术包含三个关键步骤：(1)设计基于图神经网络的特征提取模块提升检测精度；(2)将特征提取模块插入一阶段目标检测模型，构建基于图神经网络的目标检测模型；(3)构建机场场面数据集完成机场目标检测模型的训练，形成可用的机场场面目标检测方法。通过本发明专利技术提供的方法，可有效提高机场场面图像目标检测模型的精度和速度。度。度。

【技术实现步骤摘要】
一种基于图神经网络的机场场面目标检测方法


[0001]本专利技术涉及一种机场场面目标检测方法，特别是一种基于图神经网络的机场场面目标检测方法。

技术介绍

[0002]在机场场面监控任务中，准确的目标检测方法对于空中交通系统的安全运作起到关键作用。当前主流的用于机场场面目标检测的模型主要是基于深度学习的目标检测模型。基于深度学习的目标检测模型常采用卷积神经网络(CNN)和Transformer模块进行图像特征提取。
[0003]基于CNN的目标检测采用卷积操作进行图像特征的提取。卷积操作使用卷积核进行滑动计算，常用的卷积核大小为3
×
3，5
×
5，7
×
7等。一般认为卷积操作仅能提取图像中的局部特征。
[0004]在Transformer模块之前，图像(或图特征)会被分割成一个个方形像素区，每一个方形像素区被称作一个“块”(Patch)；将这些块按照一定的规则排序之后，图像便可被视为是块的序列。此时块的序列即等价于上文的词向量序列，Transformer模块利用自注意力机制将对每一个块计算其与所有块的注意力系数，由此实现每个块间的信息交互。因此，可以认为Transformer模块的感受野是整张图像，其能够提取到图像的全局特征。但其所使用的自注意力机制涉及所有块之间的注意力计算，消耗的计算资源较多。
[0005]此外，从形状角度分析，卷积神经网络所使用的卷积核基本都为方形，即每一个中心像素仅能从方形的感受野中获取信息。但待检测物体的形状不一定为方形，此时方形的感受野难以提取到有效的特征。同理，Transformer模块将整张图像划分为一个个方形的块，也难以提取到有效的特征。因为难以提取到有效的特征，导致检测器难以进行高精度的目标检测。

技术实现思路

[0006]专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于图神经网络的机场场面目标检测方法。
[0007]为了解决上述技术问题，本专利技术公开了一种基于图神经网络的机场场面目标检测方法，包括如下步骤：
[0008]步骤1：建立基于图神经网络的特征提取模块，用于提取输入图像的特征并输出特征图，包含如下步骤：
[0009]步骤1
‑
1，定义所述的图神经网络的节点及节点特征，具体包括：
[0010]对于一张输入基于图神经网络的特征提取模块的维度为H
×
W
×
C的图像或特征图F，首先将其划分为HW个节点即每个像素一个节点，其中H表示图像或特征图F的高，W表示图像或特征图F的宽，C表示图像或特征图F的维度；图像F被转化成为一个节点集合其中，任意一个即第i个节点v
i
的特征向量维度都是C维。
[0011]步骤1
‑
2，定义所述的图神经网络的相邻节点，具体包括：
[0012]对于节点v
i
，定义其在像素空间的k近邻为与该节点v
i
的欧式距离最近的k个节点集合如果欧式距离相同则优先选取水平方向的节点；节点v
i
与集合中的节点即定义为相邻节点；
[0013]此外，使用扩张卷积的方法，即通过间隔选取的方式跳过节点，扩大节点的邻域范围。
[0014]步骤1
‑
3，定义所述图神经网络的边特征，即根据每个节点在像素坐标系下的坐标矢量定义两两节点间的边特征，具体如下：
[0015]规定为节点v
i
在像素坐标系下的坐标矢量，为节点v
j
在像素坐标系下的坐标矢量，其中表示二维实数空间，则节点v
j
和节点v
i
的边特征e
ji
的定义如下：
[0016][0017]其中，||
·
||2表示二阶范数；Concat(
·
，
·
)表示拼接操作，表示三维实数空间，间，表示节点v
j
与节点v
i
间的径向基函数，与两点的距离相关，计算方法如下：
[0018][0019]其中，表示一维实数空间。
[0020]步骤1
‑
4，定义图神经网络的节点信息传递方式，并根据包含边特征的节点信息传递方式实现所述图神经网络中节点的特征更新，该信息传递方式包含边特征，通过信息传递网络完成，所述信息传递网络分为两步：首先是生成信息，即融合当前节点的节点特征、相邻节点的节点特征和边特征，生成相邻节点向当前节点传递的信息；然后更新特征，即融合所有相邻节点传递的信息和当前节点的节点特征获得当前节点的新特征，具体公式如下：
[0021][0022][0023]其中，l代表信息传递网络的第l层，总共有L层，所述信息传递网络将信息从第0层向第L层传递；信息传递网络的第0层节点特征与输入前的节点特征v
i
相等；agg
i
表示从节点到中心节点v
i
的聚合信息，即生成信息的过程；C为原输入图像或特征图的通道数；Conv1()表示生成信息的卷积层，Conv2()表示更新特征的卷积层。
[0024]步骤2：使用基于图神经网络的特征提取模块，构建改进的一阶段目标检测模型，包括如下步骤：
[0025]将步骤1中建立的基于图神经网络的特征提取模块，替换一阶段目标检测模型的骨干网络中的特征提取部分，或同时将基于图神经网络的特征提取模块添加到一阶段目标检测模型的骨干网络中。
[0026]所述基于图神经网络的特征提取模块的添加位置至少为一处，且所述基于图神经网络的特征提取模块的添加数量至少为一个。
[0027]步骤3：搜集机场场面图像数据，构建得到机场场面数据集；使用机场场面数据集训练改进的一阶段目标检测模型，进行基于图神经网络的机场场面目标检测。
[0028]所述的构建得到机场场面数据集，包括如下步骤：
[0029]从互联网中下载开源的机场场面监控视频，对于每个视频，每隔五帧保存一张图像，并进行人工标注，得到机场场面数据集；所述人工标注包括三类物体：飞机、汽车和卡车。
[0030]所述的进行基于图神经网络的机场场面目标检测，具体包括：
[0031]使用机场场面数据集训练改进的一阶段目标检测模型，得到最终的机场场面目标检测模型，使用最终的机场场面目标检测模型，进行基于图神经网络的机场场面目标检测。
[0032]有益效果：
[0033]本专利技术结合机场场面目标检测的特点，设计基于图神经网络的特征提取模块，充分挖掘目标的纹理特征，同时避免传统图神经网络检测算法法难以区分特征类似但不同的两个目标的问题，提升检测精度；提出改进的一阶段目标检测模型，将特征提取模块插入一阶段目标检测模型，避免了传统基于图神经网络的目标检测方法计算复杂度高的问题，保持目标检测算法的准确和高效。
附图说明
[0034]下面结合附图和具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的机场场面目标检测方法，其特征在于，包括如下步骤：步骤1：建立基于图神经网络的特征提取模块，用于提取输入图像的特征并输出特征图；步骤2：使用基于图神经网络的特征提取模块，构建改进的一阶段目标检测模型；步骤3：搜集机场场面图像数据，构建得到机场场面数据集；使用机场场面数据集训练改进的一阶段目标检测模型，进行基于图神经网络的机场场面目标检测。2.根据权利要求1所述的一种基于图神经网络的机场场面目标检测方法，其特征在于，步骤1中所述的建立基于图神经网络的特征提取模块，包含如下步骤：步骤1
‑
1，定义所述的图神经网络的节点及节点特征；步骤1
‑
2，定义所述的图神经网络的相邻节点；步骤1
‑
3，定义所述图神经网络的边特征；步骤1
‑
4，定义图神经网络的节点信息传递方式，并根据包含边特征的节点信息传递方式实现所述图神经网络中节点的特征更新。3.根据权利要求2所述的一种基于图神经网络的机场场面目标检测方法，其特征在于，步骤1
‑
1中所述的定义所述的图神经网络的节点及节点特征，具体包括：对于一张输入基于图神经网络的特征提取模块的维度为H
×
W
×
C的图像或特征图F，首先将其划分为HW个节点即每个像素一个节点，其中H表示图像或特征图F的高，W表示图像或特征图F的宽，C表示图像或特征图F的维度；图像F被转化成为一个节点集合v＝[v1,v2,
…
,v
HW
]，其中，任意一个即第i个节点v
i
的特征向量维度都是C维。4.根据权利要求3所述的一种基于图神经网络的机场场面目标检测方法，其特征在于，步骤1
‑
2中所述的定义所述的图神经网络的相邻节点，具体包括：对于节点v
i
，定义其在像素空间的k近邻为与该节点v
i
的欧式距离最近的k个节点集合如果欧式距离相同则优先选取水平方向的节点；节点v
i
与集合中的节点即定义为相邻节点；此外，使用扩张卷积的方法，即通过间隔选取的方式跳过节点，扩大节点的邻域范围。5.根据权利要求4所述的一种基于图神经网络的机场场面目标检测方法，其特征在于，步骤1
‑
3中所述的定义所述图神经网络的边特征，即根据每个节点在像素坐标系下的坐标矢量定义两两节点间的边特征，具体如下：规定为节点v
i
在像素坐标系下的坐标矢量，为节点v
j
在像素坐标系下的坐标矢量，其中表示二维实数空间，则节点v
j...

【专利技术属性】
技术研发人员：邓岳，汤闻易，丁辉，郭弢，李洪珏，张阳，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：