一种无锚框的轻量化小目标检测方法技术

本发明专利技术公开了一种无锚框的轻量化小目标检测方法，包括以下步骤：

【技术实现步骤摘要】
一种无锚框的轻量化小目标检测方法


[0001]本专利技术涉及一种遥感图像目标检测领域，特别是一种无锚框的轻量化小目标检测方法
。

技术介绍

[0002]近年来，深度卷积神经网络
(CNN)
模型得到了迅速发展，许多方法将其用于小目标检测，这些方法大多使用预设锚盒进行目标分类和边界盒坐标回归
。
然而，将这些方法应用于边缘设备部署面临着重大挑战
。
首先，小目标在图像中检测和识别尺寸较小
、
面积较小，锚框的尺寸设计对有锚框检测器的检测精度和效率有很大影响
。
其次，基于锚框的目标检测模型在生成锚框时在背景当中进行大量的不必要计算，运行在硬件资源充足的环境中可以满足模型要求
。
因此，现有的技术存在着检测精度较低以及检测效率不高的问题
。

技术实现思路

[0003]本专利技术的目的在于，提供一种无锚框的轻量化小目标检测方法
。
本专利技术具有能够有效提高检测精度和检测效率的特点
。
[0004]本专利技术的技术方案：一种无锚框的轻量化小目标检测方法，包括以下步骤：
[0005]1)
获取待检测的图像；
[0006]2)
将图像分为训练集和验证集，对训练集中的图像进行预处理，得到预处理后图像；
[0007]3)
构建轻量化目标检测网络，通过轻量化目标检测网络对预处理后图像进行特征提取
、
融合和预测，确定边界框；
[0008]4)
在轻量化目标检测网络中输入验证集的图像，得到具有检测框的图像
。
[0009]前述的一种无锚框的轻量化小目标检测方法中，在构建轻量化目标检测网络时，将确定的边界框经反向传播更新轻量化目标检测网络的参数，完成对轻量化目标检测网络的训练
。
[0010]前述的一种无锚框的轻量化小目标检测方法中，所述轻量化目标检测网络包括特征提取网络
、
特征融合单元和轻量化无锚框检测头
。
[0011]前述的一种无锚框的轻量化小目标检测方法中，所述特征提取网络采用部分卷积方式建立部分卷积模型，部分卷积模型通过对部分输入通道进行常规卷积提取空间特征，同时保持其余通道不变；输出部分卷积模型最后三个阶段的多级特征映射
C3、C4
和
C5
，作为最终的多尺度特征图
。
[0012]前述的一种无锚框的轻量化小目标检测方法中，特征融合单元采用自顶向下的路径融合多级特征映射
C3、C4
和
C5
，生成
P3、P4
和
P5
；随后，调整
P3
和
P5
的大小以匹配
P4
，再进行聚合和平均，以获得均衡的语义特征；然后，采用多维交互使用跨维交互模块从均衡的语义特征中提取上下文信息，得到全局上下文信息特征；最后，通过将全局上下文信息特征缩放到与原始多层特征相同的大小，并使用逐像素残差法连接合并特征，得到最终小目标的
多尺度提取特征图，即
G3
‑
G5
特征图
。
[0013]前述的一种无锚框的轻量化小目标检测方法中，轻量化无锚框检测头使用
G3
‑
G5
特征图作为预测层，在每个预测层中返回关键点坐标，即左上角关键点坐标
(tlx,tly)
和右下角关键点坐标
(brx,bry)
；使用左上角关键点坐标
(tlx,tly)
和右下角关键点
(brx,bry)
确定边界框；
[0014]与此同时，根据边界框的大小自适应地拟合生成一个中心区域，随后根据中心区域与中心点的类别的一致性来判断中心键点的存在；当中心区域与中心点的类别一致时，中心键点存在，然后通过中心池化模块和级联顶角池化模块优化中心键点的位置
。
[0015]前述的一种无锚框的轻量化小目标检测方法中，轻量化无锚框检测头，使用轻量化卷积进行中心池化和级联顶角池化
。
[0016]与现有技术相比，本专利技术通过构建由特征提取网络
、
特征融合单元和轻量化无锚框检测头组成的轻量化目标检测网络，采用轻量化目标检测网络对经预处理的图像进行特征提取
、
融合和预测，确定边界框，最终得到具有检测框的图像，从而实现了检测尺度小且具有区分性的小目标特征，这些特征使得网络可以检测图像中的小目标，并且能在边缘化设备上运行和快速推理
。
经过试验检验，该方法能够实现较高精度的轻量级模型的部署，对于小目标检测的精度较高，同时能平衡不同硬件环境下的性能，在不同的硬件环境中均可获得较高的检测精度和推理速度
。
可以显著减少
params
和
flops
，与
FCOS
相比，参数的数量减少了
17.8M
；同时，在数据集上，
FPS
速度提高了
7.7FPS
；与
FoveaBox
检测器相比，精度提高了
2.8
％
。
与
FCOS
检测器相比，精度提高了
1.3
％
。
[0017]具体的，本申请采用基于关键点的边界框预测策略，消除锚点的影响；通过基于部分卷积的模型作为特征提取网络，同时构建轻量化无锚框检测头，解决模型的轻量化问题
。
此外，本申请针对图像中小目标尺度小
、
目标分布不平衡
、
特征信息少的特点，减少轻量化导致的精度下降问题，本申请的特征融合单元采用跨维交互特征平衡金字塔方法，通过特征金字塔的聚合和平均来平衡不同层次的语义信息，用于建立小目标物体与背景之间的关系
。
[0018]综上所述，本专利技术具有能够有效提高检测精度和检测效率的特点
。
附图说明
[0019]图1是本专利技术的流程图；
[0020]图2是轻量化目标检测网络的总体架构图；
[0021]图3是特征融合单元的架构图；
[0022]图4是轻量化无锚框检测头的展示图
。
具体实施方式
[0023]下面结合附图和实施例对本专利技术作进一步的说明，但并不作为对本专利技术限制的依据
。
[0024]实施例
。
一种无锚框的轻量化小目标检测方法，流程如图1所示，总体架构图如图2所示，包括以下步骤：
[0025]1)
获取待检测的图像；
[0026]2)
将图像分为训练集和验证集，对训练集中的图像进行预处理
(
训练集中的图像预处理的过程为：对图像尺寸进行缩放，将图片尺寸统一为...

【技术保护点】

【技术特征摘要】
1.
一种无锚框的轻量化小目标检测方法，其特征在于，包括以下步骤：
1)
获取待检测的图像；
2)
将图像分为训练集和验证集，对训练集中的图像进行预处理，得到预处理后图像；
3)
构建轻量化目标检测网络，通过轻量化目标检测网络对预处理后图像进行特征提取
、
融合和预测，确定边界框；
4)
在轻量化目标检测网络中输入验证集的图像，得到具有检测框的图像；所述轻量化目标检测网络包括特征提取网络
、
特征融合单元和轻量化无锚框检测头；所述特征融合单元采用采用跨维交互特征平衡金字塔方法，通过特征金字塔的聚合和平均来平衡不同层次的语义信息，用于建立小目标物体与背景之间的关系
。2.
根据权利要求1所述的一种无锚框的轻量化小目标检测方法，其特征在于，所述特征提取网络采用部分卷积方式建立部分卷积模型，部分卷积模型通过对部分输入通道进行常规卷积提取空间特征，同时保持其余通道不变；输出部分卷积模型最后三个阶段的多级特征映射
C3、C4
和
C5
，作为最终的多尺度特征图
。3.
根据权利要求2所述的一种无锚框的轻量化小目标检测方法，其特征在于，特征融合单元采用自顶向下的路径融合多级特征映射
C3、C4
和
C5
，生成
P3、P4
和
P5
；随后，调整
P3
和
P5
的大小以匹配

【专利技术属性】
技术研发人员：陈国强，叶飞，程文明，魏振兴，唐长华，张国财，
申请(专利权)人：浙江航天润博测控技术有限公司，
类型：发明
国别省市：