小目标对象检测方法技术

本公开提供了一种小目标对象检测方法，该方法包括：获取检测图像；采用预训练的小目标检测模型在主干网络中对检测图像进行下采样处理以获得多尺度的浅层特征图像和深层特征图像；采用小目标检测模型对浅层特征图像进行条纹特征提取以获得条纹特征图像；采用小目标检测模型对深层特征图像进行语义特征提取以获得语义特征图像；根据条纹特征图像和语义特征图像确定检测图像中的小目标对象

【技术实现步骤摘要】
小目标对象检测方法、装置、电子设备及可读存储介质


[0001]本公开涉及一种小目标对象检测方法
、
装置
、
电子设备及可读存储介质
。

技术介绍

[0002]随着科技的不断进步，目标检测方法的种类越来越多
。
借助目标检测方法，能够实现对目标对象的自动检测
。
[0003]在相关技术中，通过提高小目标检测模型的输入分辨率
、
或者增加小目标检测模型的检测层个数，提高小目标检测模型对小目标对象的检测精度
。
但是，这样会导致小目标检测模型的训练耗时和推理耗时增加
。
[0004]因此，在不增加小目标检测模型的输入分辨率和检测层个数的情况下提高小目标对象的检测精度十分重要
。

技术实现思路

[0005]为了解决上述技术问题中的至少一个，本公开提供了一种小目标对象检测方法
、
装置
、
电子设备及可读存储介质
。
[0006]本公开第一方面提供了一种小目标对象检测方法，包括：获取检测图像；采用预训练的小目标检测模型在主干网络中对所述检测图像进行下采样处理以获得多尺度的浅层特征图像和深层特征图像；采用所述小目标检测模型对所述浅层特征图像进行条纹特征提取以获得条纹特征图像；采用所述小目标检测模型对所述深层特征图像进行语义特征提取以获得语义特征图像；根据所述条纹特征图像和所述语义特征图像确定所述检测图像中的小目标对象
。
[0007]在一些实施方式中，所述小目标检测模型包括所述主干网络，所述主干网络包括第一卷积组件和第二卷积组件，所述采用预训练的小目标检测模型在主干网络中对所述检测图像进行下采样处理以获得多尺度的浅层特征图像和深层特征图像，包括：调用所述第一卷积组件对所述检测图像进行下采样处理以获得所述浅层特征图像；调用所述第二卷积组件对所述浅层特征图像进行下采样处理以获得所述深层特征图像
。
[0008]在一些实施方式中，所述第二卷积组件包括第一卷积模块
、
第一拼接模块和参数不同的多个第二卷积模块，所述调用所述第二卷积组件对所述浅层特征图像进行下采样处理以获得所述深层特征图像，包括：调用多个所述第二卷积模块分别对所述浅层特征图像进行卷积处理；调用所述第一拼接模块对多个卷积处理后的浅层特征图像进行拼接处理以获得第一拼接特征图像；调用所述第一卷积模块对所述第一拼接特征图像进行卷积处理以获得所述深层特征图像
。
[0009]在一些实施方式中，所述小目标检测模型包括条纹特征提取组件，所述条纹特征提取组件包括第一最大池化模块
、
第二最大池化模块
、
第三卷积模块和第二拼接模块，所述采用所述小目标检测模型对所述浅层特征图像进行条纹特征提取以获得条纹特征图像，包括：调用所述第一最大池化模块和所述第二最大池化模块分别对所述浅层特征图像进行最
大池化处理以获得第一特征图像和第二特征图像；调用所述第三卷积模块对第二特征图像进行卷积处理；调用所述第二拼接模块对所述第一特征图像和卷积处理后的第二特征图像进行拼接处理以获得所述条纹特征图像
。
[0010]在一些实施方式中，所述小目标检测模型包括语义特征提取组件，所述语义特征提取组件包括空间注意力模块，所述采用所述小目标检测模型对所述深层特征图像进行语义特征提取以获得语义特征图像，包括：调用所述空间注意力模块对所述深层特征图像进行小目标对象语义特征定位以获得所述语义特征图像
。
[0011]在一些实施方式中，所述小目标检测模型包括上采样组件
、
第一多特征融合组件和第一检测层，所述根据所述条纹特征图像和所述语义特征图像确定所述检测图像中的小目标对象，包括：调用所述上采样组件对所述深层特征图像进行上采样组合处理，以使得上采样组合处理后的深层特征图像与所述条纹特征图像尺度相同；调用所述第一多特征融合组件对所述条纹特征图像和所述上采样组合处理后的深层特征图像进行多特征融合处理以获得第一多特征融合图像；调用所述第一检测层对所述第一多特征融合图像进行小目标对象检测以确定所述检测图像中的小目标对象
。
[0012]在一些实施方式中，所述上采样组件包括转置卷积模块
、
上采样模块和第三拼接模块，所述调用所述上采样组件对所述深层特征图像进行上采样组合处理，包括：调用所述转置卷积模块对所述深层特征图像进行反卷积处理以获得第三特征图像；调用所述上采样模块对所述深层特征图像进行上采样处理以获得第四特征图像；调用所述第三拼接模块对所述第三特征图像和所述第四特征图像进行拼接处理以获得所述上采样组合处理后的深层特征图像
。
[0013]在一些实施方式中，所述小目标检测模型包括第三卷积组件
、
第二多特征融合组件和第二检测层，所述根据所述条纹特征图像和所述语义特征图像确定所述检测图像中的小目标对象，包括：调用所述第三卷积组件对所述条纹特征图像进行下采样处理，以使得下采样处理后的条纹特征图像与所述语义特征图像尺度相同；调用所述第二多特征融合组件对所述语义特征图像和所述下采样处理后的条纹特征图像进行多特征融合处理以获得第二多特征融合图像；调用所述第二检测层对所述第二多特征融合图像进行小目标对象检测以确定所述检测图像中的小目标对象
。
[0014]在一些实施方式中，在所述采用预训练的小目标检测模型在主干网络中对所述检测图像进行下采样处理以获得多尺度的浅层特征图像和深层特征图像之前，还包括：构建第一神经网络模型
、
第二神经网络模型和第三神经网络模型，所述第一神经网络模型包括主干网络
、
颈部网络和小目标对象检测层
、
所述第二神经网络模型包括所述主干网络
、
所述颈部网络和负样本检测层，所述第三神经网络模型包括所述主干网络
、
所述颈部网络
、
所述小目标对象检测层和所述负样本检测层；采用小目标数据集对所述第一神经网络模型进行训练，以获得训练后第一神经网络模型；采用负样本数据集对所述第二神经网络模型进行训练，以获得训练后第二神经网络模型；将所述训练后第一神经网络模型的主干网络权重
、
颈部网络权重和小目标对象检测层权重作为所述第三神经网络模型的主干网络初始权重
、
颈部网络初始权重和小目标对象检测层权重；将所述训练后第二神经网络模型的负样本检测层权重作为所述第三神经网络模型的负样本检测层初始权重；采用所述小目标数据集对所述第三神经网络模型进行训练，以获得训练后第三神经网络模型；将所述训练后第三神
经网络模型作为所述小目标检测模型
。
[0015]在一些实施方式中，所述采用所述小目标数据集对所述第三神经网络模型进行训练，包括：冻结所述第三神经网络模型的负样本检测层的权重，并采用所述小目标数据集对所述第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种小目标对象检测方法，其特征在于，包括：获取检测图像；采用预训练的小目标检测模型在主干网络中对所述检测图像进行下采样处理以获得多尺度的浅层特征图像和深层特征图像；采用所述小目标检测模型对所述浅层特征图像进行条纹特征提取以获得条纹特征图像；采用所述小目标检测模型对所述深层特征图像进行语义特征提取以获得语义特征图像；根据所述条纹特征图像和所述语义特征图像确定所述检测图像中的小目标对象
。2.
根据权利要求1所述的小目标对象检测方法，其特征在于，所述小目标检测模型包括所述主干网络，所述主干网络包括第一卷积组件和第二卷积组件，所述采用预训练的小目标检测模型在主干网络中对所述检测图像进行下采样处理以获得多尺度的浅层特征图像和深层特征图像，包括：调用所述第一卷积组件对所述检测图像进行下采样处理以获得所述浅层特征图像；调用所述第二卷积组件对所述浅层特征图像进行下采样处理以获得所述深层特征图像；可选地，所述第二卷积组件包括第一卷积模块
、
第一拼接模块和参数不同的多个第二卷积模块，所述调用所述第二卷积组件对所述浅层特征图像进行下采样处理以获得所述深层特征图像，包括：调用多个所述第二卷积模块分别对所述浅层特征图像进行卷积处理；调用所述第一拼接模块对多个卷积处理后的浅层特征图像进行拼接处理以获得第一拼接特征图像；调用所述第一卷积模块对所述第一拼接特征图像进行卷积处理以获得所述深层特征图像
。3.
根据权利要求1所述的小目标对象检测方法，其特征在于，所述小目标检测模型包括条纹特征提取组件，所述条纹特征提取组件包括第一最大池化模块
、
第二最大池化模块
、
第三卷积模块和第二拼接模块，所述采用所述小目标检测模型对所述浅层特征图像进行条纹特征提取以获得条纹特征图像，包括：调用所述第一最大池化模块和所述第二最大池化模块分别对所述浅层特征图像进行最大池化处理以获得第一特征图像和第二特征图像；调用所述第三卷积模块对第二特征图像进行卷积处理；调用所述第二拼接模块对所述第一特征图像和卷积处理后的第二特征图像进行拼接处理以获得所述条纹特征图像
。4.
根据权利要求1所述的小目标对象检测方法，其特征在于，所述小目标检测模型包括语义特征提取组件，所述语义特征提取组件包括空间注意力模块，所述采用所述小目标检测模型对所述深层特征图像进行语义特征提取以获得语义特征图像，包括：调用所述空间注意力模块对所述深层特征图像进行小目标对象语义特征定位以获得所述语义特征图像
。5.
根据权利要求1所述的小目标对象检测方法，其特征在于，所述小目标检测模型包括
上采样组件
、
第一多特征融合组件和第一检测层，所述根据所述条纹特征图像和所述语义特征图像确定所述检测图像中的小目标对象，包括：调用所述上采样组件对所述深层特征图像进行上采样组合处理，以使得上采样组合处理后的深层特征图像与所述条纹特征图像尺度相同；调用所述第一多特征融合组件对所述条纹特征图像和所述上采样组合处理后的深层特征图像进行多特征融合处理以获得第一多特征融合图像；调用所述第一检测层对所述第一多特征融合图像进行小目标对象检测以确定所述检测图像中的小目标对象；可选地，所述上采样组件包括转置卷积模块
、
上采样模块和第三拼接模块，所述调用所述上采样组件对所述深层特征图像进行上采样组合处理，包括：调用所述转置卷积模块对所述深层特征图像进行反卷积处理以获得第三特征图像；调用所述上采样模块对所述深层特征图像进行上采样处理以获得第四特征图像；调用所述第三拼接模块对所述第三特征图像和所述第四特征图像进行拼接处理以获得所述上采样组合处理后的深层特征图像
。6.
根据权利要求1所述的小目标对象检测方法，其特征在于，所述小目标检测模型包括第三卷积组件
、
第二多特征融合组件和第二检测层，所述根据所述条纹特征图像和所述语义特征图像确定所述检测图像中的小目标对象，包括：调用所述第三卷积组件对所述条...

【专利技术属性】
技术研发人员：李博霖，王红，边彬彬，
申请(专利权)人：北京市新技术应用研究所有限公司，
类型：发明
国别省市：