一种基于无锚框算法的无人机小目标检测方法技术

本发明专利技术提出一于无锚框算法的无人机小目标检测方法，涉及目标检测技术领域。所述方法包括：步骤S1、利用无人机设备采集小目标图像；步骤S2、基于Backbone骨干网络从所述小目标图像中提取不同尺寸的目标特征，所述Backbone骨干网络的FCOS模型采用VovNet网络；步骤S3、根据所述目标特征，利用特征金字塔获取多尺度特征，并对所述多尺度特征进行双向密集链接操作，得到经融合的特征图；步骤S4、将所述经融合的特征图输入至IoU

【技术实现步骤摘要】
一种基于无锚框算法的无人机小目标检测方法


[0001]本专利技术属于目标检测
，尤其涉及一种基于无锚框算法的无人机小目标检测方法。

技术介绍

[0002]目标检测是计算机领域的常用任务之一，其旨在从复杂的背景中精准定位每个目标的位置并判断目标的所属类别。随着深度卷积神经网络的蓬勃发展，基于深度学习的目标检测方法在许多实际场景中得到广泛的应用，如：无人驾驶、人脸识别、无人机检测和卫星遥感等。当前目标检测模型多基于广泛应用的大型公共数据集来进行性能比对，面向小目标的检测数据集相对较少且数据类别单一。
[0003]无人机目标检测广泛用于军事侦察与城市管控等领域。通过安装的摄像头收集周围环境的视觉数据，对特定任务进行检测。由于无人机处在远距离高空作业，检测的目标常有图像占比小、纹理特征不清晰的问题，导致目标检测尤为困难。

技术实现思路

[0004]本专利技术提出一种基于无锚框算法的无人机小目标检测方案，采用该方法对收集的无人机图像进行检测，以解决小目标检测模型检测效率低、检测精度不足的问题。
[0005]本专利技术第一方面公开了一种基于无锚框算法的无人机小目标检测方法。所述方法包括：
[0006]步骤S1、利用无人机设备采集小目标图像；
[0007]步骤S2、基于Backbone骨干网络从所述小目标图像中提取不同尺寸的目标特征，所述Backbone骨干网络的FCOS模型采用VovNet网络；
[0008]步骤S3、根据所述目标特征，利用特征金字塔获取多尺度特征，并对所述多尺度特征进行双向密集链接操作，得到经融合的特征图；
[0009]步骤S4、将所述经融合的特征图输入至IoU
‑
Head网络，以检测出不同尺度的目标。
[0010]根据第一方面的方法，在所述步骤S2中，所述VovNet网络包含C1
‑
C5共五个阶段，C2
‑
C5的每个阶段均包含OSA模块，其中：
[0011]由C1阶段接收所述小目标图像并进行卷积操作，所述C1阶段包含3个[3
×
3，2]的卷积网络，其中3
×
3为卷积核大小，步长为2；
[0012]C2至
‑
C5阶段分别由所述OSA模块构成，每个阶段采用一个步长为2的3x3最大池化层进行降采样；
[0013]抽取所述VovNet网络C3
‑
C5阶段的特征层作为输出特征层，输出的特征作为所述Backbone骨干网络的所述目标特征。
[0014]根据第一方面的方法，在所述步骤S2中，前序图像进入所述OSA模块后，通过1
×
1卷积核并分为两条支路；其中：第一条支路执行一次Bottleneck操作，以降低图像维度；第二条支路执行五次Bottleneck操作，以确保图像大小保持不变；将两条支路的输出进行拼
接，并进行1x1的卷积来减少输出通道数。
[0015]根据第一方面的方法，在所述步骤S3中，{D3,D4,D5}为利用所述特征金字塔结构获取的所述多尺度特征，其中：
[0016]C5阶段的输出通过1x1的卷积层进行降维处理，输出特种层D5；
[0017]D5通过上采样后增大两倍的下采样率并与D4匹配，对C5阶段的输出和C4阶段的输出进行通道上的相加，再经过一个特征提取模块和一个1
×
1的卷积后，得到特征层D4；
[0018]D4通过上采样后增大两倍的下采样率并与D3匹配，对C4阶段的输出和C3阶段的输出进行通道上的相加，再经过所述特征提取模块和一个1
×
1的卷积后，得到特征层D3。
[0019]根据第一方面的方法，在所述步骤S3中，所述双向密集链接操作中的双向连接结构限定包括：
[0020]将所述C3阶段的输出经过1x1的卷积层进行降维处理，输出为特征层E3；
[0021]所述特征层E3经过一个大小为3
×
3、步长为2的卷积网络，进一步进行提取特征并调整输出维度，使其与特征层E4匹配，将其与所述D4阶段的输出进行通道上的相加，再经过所述特征提取模块，得到特征层E5；
[0022]所述特征层E4经过一个大小为3
×
3、步长为2的卷积网络，进一步进行提取特征并调整输出维度，使其与特征层E5匹配，将其与所述D5阶段的输出进行通道上的相加，再经过所述特征提取模块，得到特征层E6；
[0023]所述特征层E5经过一个大小为3
×
3、步长为2的卷积网络，进一步进行提取特征并调整输出维度，使其与特征层E6匹配，将其与所述D6阶段的输出进行通道上的相加，再经过所述特征提取模块，得到特征层E7。
[0024]根据第一方面的方法，在所述步骤S3中，所述双向密集链接操作中的密集链接结构限定包括：
[0025]特征层E
i
通过一个步长为2的3
×
3卷积来减小空间尺寸，并将特征层D
i+1
通过横向连接与E
i
下采样后的特征图逐元素相加，相加后的特征图经过一个3
×
3卷积后生成E
i+1
，具体表征为：
[0026][0027]E6＝Conv3×3(E5),E7＝Conv3×3(ReLU(E6))
[0028]其中，Conv3×3(
·
)表示卷积操作，k表示卷积核的大小，+表示按元素相加，通过密集链接结构得所述经融合的特征图{P3,P4,P5,P6,P7}：
[0029]P7＝Conv3×3(E7)
[0030][0031]其中，Upsample(
·
)表示最近邻上采样，(c)表示拼接操作。
[0032]根据第一方面的方法，在所述步骤S4中，所述IoU
‑
Head网络包括分类分支、IoU分支和回归分支；其中：
[0033]所述分类分支用于获得类别输出，具体包括：通过1个3
×
3的C通道的卷积核得到目标预测类别C为类别总数，cls为当前特征层每个点每个类
别的概率；
[0034]所述回归分支和所述IoU分支共享一组卷积特征，采用1个3
×
3的4通道卷积，得到预测框的回归分支预测的是当前点(x，y)到GT边界框的距离；
[0035]设定第i个GT边界框的左上角和右下角坐标分别为(x
0(i)
，y
0(i)
),(x
1(i)
，y
1(i)
)，FCOS的边框回归子网络训练目标为：
[0036]l
*
＝x
‑
x
0(i)
，t
*
＝y
‑
y
0(i)
，
[0037]r
*
＝x
1(i)...

【技术保护点】

【技术特征摘要】
1.一种基于无锚框算法的无人机小目标检测方法，其特征在于，所述方法包括：步骤S1、利用无人机设备采集小目标图像；步骤S2、基于Backbone骨干网络从所述小目标图像中提取不同尺寸的目标特征，所述Backbone骨干网络的FCOS模型采用VovNet网络；步骤S3、根据所述目标特征，利用特征金字塔获取多尺度特征，并对所述多尺度特征进行双向密集链接操作，得到经融合的特征图；步骤S4、将所述经融合的特征图输入至IoU
‑
Head网络，以检测出不同尺度的目标。2.根据权利要求1所述的一种基于无锚框算法的无人机小目标检测方法，其特征在于，在所述步骤S2中，所述VovNet网络包含C1
‑
C5共五个阶段，C2
‑
C5的每个阶段均包含OSA模块，其中：由C1阶段接收所述小目标图像并进行卷积操作，所述C1阶段包含3个[3
×
3，2]的卷积网络，其中3
×
3为卷积核大小，步长为2；C2至
‑
C5阶段分别由所述OSA模块构成，每个阶段采用一个步长为2的3x3最大池化层进行降采样；抽取所述VovNet网络C3
‑
C5阶段的特征层作为输出特征层，输出的特征作为所述Backbone骨干网络的所述目标特征。3.根据权利要求2所述的一种基于无锚框算法的无人机小目标检测方法，其特征在于，在所述步骤S2中，前序图像进入所述OSA模块后，通过1
×
1卷积核并分为两条支路；其中：第一条支路执行一次Bottleneck操作，以降低图像维度；第二条支路执行五次Bottleneck操作，以确保图像大小保持不变；将两条支路的输出进行拼接，并进行1x1的卷积来减少输出通道数。4.根据权利要2所述的一种基于无锚框算法的无人机小目标检测方法，其特征在于，在所述步骤S3中，{D3,D4,D5}为利用所述特征金字塔结构获取的所述多尺度特征，其中：C5阶段的输出通过1x1的卷积层进行降维处理，输出特种层D5；D5通过上采样后增大两倍的下采样率并与D4匹配，对C5阶段的输出和C4阶段的输出进行通道上的相加，再经过一个特征提取模块和一个1
×
1的卷积后，得到特征层D4；D4通过上采样后增大两倍的下采样率并与D3匹配，对C4阶段的输出和C3阶段的输出进行通道上的相加，再经过所述特征提取模块和一个1
×
1的卷积后，得到特征层D3。5.根据权利要4所述的一种基于无锚框算法的无人机小目标检测方法，其特征在于，在所述步骤S3中，所述双向密集链接操作中的双向连接结构限定包括：将所述C3阶段的输出经过1x1的卷积层进行降维处理，输出为特征层E3；所述特征层E3经过一个大小为3
×
3、步长为2的卷积网络，进一步进行提取特征并调整输出维度，使其与特征层E4匹配，将其与所述D4阶段的输出进行通道上的相加，再经过所述特征提取模块，得到特征层E5；所述特征层E4经过一个大小为3
×
3、步长为2的卷积网络，进一步进行提取特征并调整输出维度，使其与特征层E5匹配，将其与所述D5阶段的输出进行通道上的相加，再经过所述特征提取模块，得到特征层E6；所述特征层E5经过一个大小为3
×
3、步长为2的卷积网络，进一步进行提取特征并调整输出维度，使其与特征层E6匹配，将其与所述D6阶段的输出进行通道上的相加，再经过所述
特征提取模块，得到特征层E7。6.根据权利要5所述的一种基于无锚框算法的无人机小目标检测方法，其特征在于，在所述步骤S3中，所述双向密集链接操作中的密集链接结构限定包括：特征层E
i
通过一个步长为2的3
×
3卷积来减小空间尺寸，并将特征层D
i+1
通过横向连接与E
i
...

【专利技术属性】
技术研发人员：李忠博，杜紫薇，谢永强，齐锦，梁进君，王真，
申请(专利权)人：中国人民解放军军事科学院系统工程研究院，
类型：发明
国别省市：