【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，具体地涉及一种小目标检测系统及方法。
技术介绍
1、近年来，随着互联网数据爆发式增长以及计算机算力的大幅提高，小目标检测技术在军事、国防、交通、工业自动化等领域得到广泛应用，然而由于目标占图像像素较小，可利用特征比较少，所处环境复杂，这些领域都存在大量小目标分辨率低、特征易丢失，精确检测困难等问题。因此，如何准确地对小目标进行识别与定位，是计算机视觉领域的一个重要课题，同时提高小目标检测的精度具有重要的理论意义和良好的工程应用价值。
2、目前已有不少工作致力于改善现阶段存在的问题，如童小钟等提出一种融合注意力和多尺度特征的典型水面小目标检测算法，利用空洞空间金字塔池化、注意融合模块以及融合多尺度特征等模块，有效解决了多场景复杂海况背景水面小目标检测存在的可利用特征少，纹理信息弱等问题，提升了无人艇的环境感知能力。刘树东等针对无人机航拍图像背景复杂、小尺寸目标较多等问题，提出一种基于倒置残差注意力的无人机航拍图像小目标检测算法。该方法通过在主干网络部分嵌入倒置残差模块与倒置残差注意力模块、设计多尺度特征融合模块等方法，改善了无人机航拍图像小目标的漏检、误检等问题。王殿伟等人以rcnn模型为基础，引入transformer和可卷积模块以及提出基于内容感知特征重组的特征金字塔网络结构，能够实现对小目标更精准的分类和定位。
3、由于小目标特征模糊，能够提取的特征较少，同时小目标通常处于复杂背景中，其周围环境和噪声会对其特征提取造成困难，使其检测效果较差。
1、为解决小目标特征提取语义信息较少的技术问题，本专利技术提出了一种基于改进yolov5的小目标检测系统及方法，其中yolov5模型的骨干网络融合坐标注意力，可提高网络模型的特征提取能力和类别检测精确度；同时在原有检测网络的基础上增加了一层检测小目标的检测头，减少过度卷积造成的小目标特征信息丢失情况；最后利用多尺度特征净化模块滤除特征的冲突信息，提高小目标特征的判别性，使模型获取更加丰富的特征信息，加强网络模型对不同尺度物体的检测。
2、具体地，一种基于改进yolov5的小目标检测系统，其特征在于：该系统包括融合坐标注意力的特征提取模块、重建检测层模块、多尺度特征净化模块，其中：
3、(1)融合坐标注意力的骨干网络模块，该模块包括坐标信息嵌入子模块和坐标注意力生成子模块，并以位置信息作为输入，坐标注意力生成子模块在水平与垂直方向上分别进行特征聚合，再利用压缩激励注意力模块生成两个方向上的权重向量，并最终将两个方向的权重向量分别乘以特征图进行加权获得输出。
4、(2)重建检测层模块，该模块以yolov5原有检测头为基础，新增一层检测小目标的检测层，满足小目标检测要求。
5、(3)多尺度特征净化模块，该模块对图像的全局空间信息进行聚合，再利用拼接和卷积操作将所有特征的通道数压缩，随后与并联的通道提纯子模块和空间提纯子模块连接，获得聚合图像的全局空间信息，滤除特征的冲突信息。
6、进一步地，坐标注意力模块进行特征聚合获得具有方向感知的特征图，具体计算步骤为：
7、(1)计算其中为高度位置h下第c通道的输出，为宽度位置w下第c通道的输出；xc(h，j)为输入图像的特征图xc在(h，j)位置时的数值，xc(i，w)为输入图像的特征图xc在(i，w)位置时的数值；w为通道宽度；h为通道高度。
8、(2)拼接全局感受野高度和宽度维度上的特征图，再将拼接后的张量送入1×1的卷积函数f1中计算，即f＝δ(f1[zh，zw])，其中f为中间特征映射，实现水平和垂直方向上特征聚合，且f∈rc/r×(h+w)；r为超参数，用于控制模块大小，缩小f的通道数。f根据不同方向分为垂直方向上的fh∈rc/r×h和水平方向上的fw∈rc/r×w，并利用2个1×1卷积函数fh和fw，以及σ变换得到两个独立空间方向的注意力权值gh、gw，最后对其进行扩展并作用于输入端，得到最后的输出yc，其中gh＝σ(fh(fh))，gw＝σ(fw(fw))，
9、进一步地，重建检测层模块基于采用yolov5三种不同检测层对大小不同的目标进行检测，新增一层检测小目标的检测头。
10、进一步地，多尺度特征净化模块输入x1、x2、x3、x4四个特征，该模块位于特征金字塔网络第2层，首先将x1、x2、x3、x4缩放到同一大小，分别为r1、r2、r3、r4，然后再利用拼接和卷积操作将所有特征的通道数压缩为4，随后再与并联的通道提纯子模块和空间提纯子模块连接；其中，通道提纯子模块采用平均池化和最大池化结合方式聚合图像的全局空间信息，用xm表示特征细化模块的第m层输入特征图，其输出可表示为u＝α×rs(x1)+β×(x2)+γ×rs(x3)+δ×rs(x4)，其中rs为resize函数，将x1和x3、x4特征缩放到和x2同一尺度，α，β，γ，δ为通道自适应权重，其尺度为1×1×1，经过归一化的α，β，γ，δ代表4个输入的相对权重，[α，β,γ,δ]＝sigmoid[avgpool(f)+maxpool(f)]，其中f为图中标识的特征图，sigmoid为sigmoid激活函数，avgpool与maxpool分别为平均池化与最大池化操作。
11、进一步地，空间提纯子模块采用softmax函数将特征图在空间上归一化，得到特征图中某点关于其他所有位置的相对权重，然后将相对权重与输入分别相乘，输出的(x，y)表示特征图空间坐标，为空间自适应权重，满足其中d为特征图中某点关于其他所有位置的相对权重，softmax函数用于归一化特征参数，则多尺度特征净化模块总输出p＝u+d。
12、在上述系统基础上，本专利技术又提出一种基于改进yolov5的小目标检测方法，该方法包括以下步骤：
13、(1)融合坐标注意力的骨干网络，以位置信息作为输入，在水平与垂直方向上分别进行特征聚合，再利用压缩激励注意力模块生成两个方向上的权重向量，并最终将两个方向的权重向量分别乘以特征图进行加权获得输出。
14、(2)重建检测层，以yolov5原有检测头为基础，新增一层检测小目标的检测层，满足小目标检测要求。
15、(3)多尺度特征净化，对图像的全局空间信息进行聚合，再利用拼接和卷积操作将所有特征的通道数压缩，随后同时进行通道提纯和空间提纯，获得聚合图像的全局空间信息，滤除特征的冲突信息。
16、更具体地，步骤(1)中，在水平与垂直方向上分别进行特征聚合的具体计算步骤为：
17、(1)计算其中为高度位置h下第c通道的输出，为宽度位置w下第c通道的输出；xc(h，j)为输入图像的特征图xc在(h，j)位置时的数值，xc(i，w)为输入图像的特征图xc在(i，w)位置时的数值；w为通道宽度；h为通道高度。
18、(2)拼接全局感受野高度和宽度维度上的特征图，再将拼接后的张量送入1×1的卷积函数f1中计算，即f＝δ(f1[本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv5的小目标检测系统，其特征在于：该系统包括融合坐标注意力的特征提取模块、重建颈部检测网络模块、多尺度特征净化模块，其中：
2.根据权利要求1所述的一种基于改进YOLOv5的小目标检测系统，其特征在于：坐标注意力生成子模块可完成以下操作：
3.根据权利要求1所述的一种基于改进YOLOv5的小目标检测系统，其特征在于：重建检测层模块基于采用YOLOv5三种不同检测层对大小不同的目标进行检测，新增一层检测小目标的检测头。
4.根据权利要求1所述的一种基于改进YOLOv5的小目标检测系统，其特征在于：在多尺度特征净化模块中输入X1、X2、X3、X4四个特征，该模块位于特征金字塔网络第2层，首先将X1、X2、X3、X4缩放到同一大小，分别为R1、R2、R3、R4，然后再利用拼接和卷积操作将所有特征的通道数压缩为4，随后再与并联的通道提纯子模块和空间提纯子模块连接；其中，通道提纯子模块采用平均池化和最大池化结合方式聚合图像的全局空间信息，用Xm表示特征细化模块的第m层输入特征图，其输出可表示为U＝α×RS(X1)+β×(X2)+γ
5.根据权利要求1所述的一种基于改进YOLOv5的小目标检测系统，其特征在于：空间提纯子模块采用softmax函数将特征图在空间上归一化，得到特征图中某点关于其他所有位置的相对权重，然后将相对权重与输入分别相乘，输出的(x，y)表示特征图空间坐标，u,v,η为空间自适应权重，满足
6.一种基于改进YOLOv5的小目标检测方法，其特征在于：该方法包括以下步骤：
7.一种基于改进YOLOv5的小目标检测方法，其特征在于：步骤(1)中，在水平与垂直方向上分别进行特征聚合的具体计算步骤为：
8.一种基于改进YOLOv5的小目标检测方法，其特征在于：步骤(2)中，采用YOLOv5三种不同检测层对大小不同的目标进行检测，新增一层检测小目标的检测头。
9.一种基于改进YOLOv5的小目标检测方法，其特征在于：步骤(3)中，输入X1、X2、X3、X4四个特征，首先将X1、X2、X3、X4缩放到同一大小，分别为R1、R2、R3、R4，然后再利用拼接和卷积操作将所有特征的通道数压缩为4，随后同时进行通道提纯和空间提纯；其中，通道提纯采用平均池化和最大池化结合方式聚合图像的全局空间信息，用Xm表示特征细化模块的第m层输入特征图，其输出可表示为U＝α×RS(X1)+β×(X2)+γ×RS(X3)+δ×RS(X4)，其中RS为resize函数，将X1和X3、X4特征缩放到和X2同一尺度，α,β,γ,δ为通道自适应权重，其尺度为1×1×1，经过归一化的α,β,γ,δ代表4个输入的相对权重，[α,β,γ,δ]＝sigmoid[AvgPool(F)+MaxPool(F)]，其中F为图中标识的特征图，sigmoid为sigmoid激活函数，AvgPool与MaxPool分别为平均池化与最大池化操作。
10.一种基于改进YOLOv5的小目标检测方法，其特征在于：空间提纯采用softmax函数将特征图在空间上归一化，得到特征图中某点关于其他所有位置的相对权重，然后将相对权重与输入分别相乘，输出的(x，y)表示特征图空间坐标，u,v,η为空间自适应权重，满足其中D为特征图中某点关于其他所有位置的相对权重，Softmax函数用于归一化特征参数，则多尺度特征净化模块总输出P＝U+D。
...【技术特征摘要】
1.一种基于改进yolov5的小目标检测系统，其特征在于：该系统包括融合坐标注意力的特征提取模块、重建颈部检测网络模块、多尺度特征净化模块，其中：
2.根据权利要求1所述的一种基于改进yolov5的小目标检测系统，其特征在于：坐标注意力生成子模块可完成以下操作：
3.根据权利要求1所述的一种基于改进yolov5的小目标检测系统，其特征在于：重建检测层模块基于采用yolov5三种不同检测层对大小不同的目标进行检测，新增一层检测小目标的检测头。
4.根据权利要求1所述的一种基于改进yolov5的小目标检测系统，其特征在于：在多尺度特征净化模块中输入x1、x2、x3、x4四个特征，该模块位于特征金字塔网络第2层，首先将x1、x2、x3、x4缩放到同一大小，分别为r1、r2、r3、r4，然后再利用拼接和卷积操作将所有特征的通道数压缩为4，随后再与并联的通道提纯子模块和空间提纯子模块连接；其中，通道提纯子模块采用平均池化和最大池化结合方式聚合图像的全局空间信息，用xm表示特征细化模块的第m层输入特征图，其输出可表示为u＝α×rs(x1)+β×(x2)+γ×rs(x3)+δ×rs(x4)，其中rs为resize函数，将x1和x3、x4特征缩放到和x2同一尺度，α,β,γ,δ为通道自适应权重，其尺度为1×1×1，经过归一化的α,β,γ,δ代表4个输入的相对权重，[α,β,γ,δ]＝sigmoid[avgpool(f)+maxpool(f)]，其中f为图中标识的特征图，sigmoid为sigmoid激活函数，avgpool与maxpool分别为平均池化与最大池化操作。
5.根据权利要求1所述的一种基于改进yolov5的小目标检测系统，其特征在于：空间提纯子模块采用softmax函数将特征图在空间上归一化，得到特征图中某点关于其他所有位置的相对权重，然后将相对权重与输入分别相乘，输出的(x，y)表示特征图空间坐标，u,v...
【专利技术属性】
技术研发人员：奚园园，段天毅，史金帅，
申请(专利权)人：北京新数科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。