【技术实现步骤摘要】
本专利技术属于深度学习图像处理，尤其涉及基于卷积神经网络的高速公路危险物小目标检测方法和装置。
技术介绍
1、目标检测是机器视觉领域的一个核心问题，涵盖了实例分割、目标跟踪、动作识别等多种视觉任务。它在汽车自动驾驶、航拍图像分析、人脸识别等多个领域都有广泛的应用。现有的目标检测算法通常采用基于锚框的方法，但这往往引发正负样本不均衡的问题，特别对于小目标检测来说更具挑战性。因此，提高小目标检测的准确性仍然是当前研究的一个重要挑战。
2、目前，目标检测领域主要采用两种主流技术方案：一阶段算法和两阶段算法。在两阶段算法中，代表性的是faster r-cnn系列，它首先筛选大量可能包含目标的候选区域，然后对这些候选区域进行检测。尽管这种算法具有高精度，但它速度较慢，不适用于实时图像检测。与此不同，一阶段算法如yolo系列可以直接进行端到端的目标预测，具有更快的模型检测速度，但在一定程度上会降低物体检测的准确性。
技术实现思路
1、本专利技术要克服现有技术的上述缺点，提供一种基于卷积神经网络的高速公路危险物小目标检测方法。
2、本专利技术引入了balance fpn，整合不同分辨率的特征层，从而平衡非相邻层中的语义和位置信息，使特征更具辨别性。同时采用了task-specific解耦预测头，利用特定任务编码来调节分类任务与回归任务之间的不平衡。的方法改善了高速公路危险物小目标检测精度低的问题。
3、为了实现上述目的，本专利技术技术方案如下：
4
5、获取带有标注了高速公路危险物小目标检测框的图像训练数据集，对图像训练数据集进行mosaic数据增强和mixup数据增强；
6、将增强后图像训练数据集调整为输入图片大小，输入到骨干网络cspdarknet-53中，获取骨干网络cspdarknet-53中dark2单元、dark3单元、dark4单元和dark5单元输出的四种大小的特征图l2、l3、l4、l5；
7、将四种不同大小的特征图l2、l3、l4、l5输入到特征融合网络balance fpn中进行特征处理，整合不同分辨率的特征层，应用注意力机制构建依赖关系，从而平衡非相邻层中的语义和位置信息，最终得到融合后的特征图p2、p3、p4、p5、p6；
8、将融合后的特征图p2、p3、p4、p5、p6传入task-specific解耦预测头，采用高级语义信息特征来完成对象分类，同时引入低级丰富细粒度信息特征来定位对象。将分类分支与回归分支沿通道部分进行拼接，再将连接得到的特征图拉伸为一维，得到拉伸后的特征图进行连接，得到最终的特征图，计算损失并进行反向传播更新网络参数，完成网络的训练；
9、将待检测图像输入到训练好的网络中，得到检测结果。
10、其中，所述将四种大小的特征图l2、l3、l4、l5输入到特征融合网络balance fpn中进行特征处理，最终得到融合后的特征图p2、p3、p4、p5、p6，包括：
11、将特征图l5直接输入到特征融合网络balance fpn中，首先是自顶向下，经过1×1卷积，上采样后得到l5_0，与特征图l4沿通道做concat融合过csp卷积得到特征图l4_1；继续将特征图l4_1经过1×1卷积，上采样后得到l4_0，与特征图l3沿通道做concat融合过csp卷积得到特征图l3_1；再将特征图l3_1经过1×1卷积和上采样后得到l3_0，与特征图l2沿通道做concat融合过csp卷积得到特征图l2_1；将特征图l2_1直接输出得到特征图c2；再做自底向上的融合，将c2经过3×3卷积后与l3_0融合并卷积后得到特征图c3；将c3经过3×3卷积后与l2_0融合得到特征图c4；将c4经过3×3卷积后与l5_0融合得到特征图c5、c6；为了实现非相邻层间的信息交互以增强特征识别能力，将c3、c4、c5作为特征集成输入。考虑到浅层的背景信息会造成干扰，所以放弃了c2。在特征集成阶段，将c4作为基准，分别对c3和c5进行下采样和上采样操作，使其变为与c4相同尺寸大小，采用sum相加后，通过非局部non_local注意力机制获取特征间的长距离依赖。最终再加回c3、c4、c5上去得到p3、p4、p5，p2、p6直接由c2、c6得到。
12、其中，所述将p2、p3、p4、p5、p6传入task-specific解耦预测头，在分类分支中，将第i+1层特征上采样，沿通道与第i层特征进行融合，通过3×3卷积和全连接层后得到在回归分支中，将第i+1层特征上采样，将第i层特征上采样与i-1层做sum操作后，做下采样降维，与第i层特征和上采样后的i+1层特征进行sum操作，再经过2个3×3卷积后得到
13、其中，所述计算损失，包括：分类损失、目标得分损失和边框回归损失)，分类损失和目标得分损失是二分类交叉熵损失bceloss，边框回归损失采用有效的交并比损失eiouloss。
14、本专利技术的第二个方面涉及基于卷积神经网络的高速公路危险物小目标检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本专利技术的基于卷积神经网络的高速公路危险物小目标检测方法。
15、本专利技术的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本专利技术的基于卷积神经网络的高速公路危险物小目标检测方法。
16、本专利技术的优点是：引入了balance fpn，整合不同分辨率的特征层，从而平衡非相邻层中的语义和位置信息，使特征更具辨别性。同时采用了task-specific解耦预测头，利用特定任务编码来调节分类任务与回归任务之间的不平衡。的方法改善了高速公路危险物小目标检测精度低的问题。
本文档来自技高网...【技术保护点】
1.基于卷积神经网络的高速公路危险物小目标检测方法，其特征在于，所述基于卷积神经网络的高速公路危险物小目标检测方法，包括：
2.如权利要求1所述的基于卷积神经网络的高速公路危险物小目标检测方法，其特征在于，所述将四种大小的特征图L2、L3、L4、L5输入到特征融合网络Balance FPN中进行特征处理，最终得到融合后的特征图P2、P3、P4、P5、P6，包括：
3.如权利要求1所述的基于卷积神经网络的高速公路危险物小目标检测方法，其特征在于，所述将P2、P3、P4、P5、P6传入Task-Specific解耦预测头，在分类分支中，将第i+1层特征上采样，沿通道与第i层特征进行融合，通过3×3卷积和全连接层后得到Ficls；在回归分支中，将第i+1层特征上采样，将第i层特征上采样与i-1层做SUM相加操作后，做下采样降维，与第i层特征和上采样后的i+1层特征进行SUM相加操作，再经过2个3×3卷积后得到Fireg、Fiobj。
4.如权利要求1所述的基于卷积神经网络的高速公路危险物小目标检测方法，其特征在于，所述计算损失包括：分类损失、目标得分
5.基于卷积神经网络的高速公路危险物小目标检测装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-4中任一项所述的基于卷积神经网络的高速公路危险物小目标检测方法。
6.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-4中任一项所述的基于卷积神经网络的高速公路危险物小目标检测方法。
...【技术特征摘要】
1.基于卷积神经网络的高速公路危险物小目标检测方法，其特征在于，所述基于卷积神经网络的高速公路危险物小目标检测方法，包括：
2.如权利要求1所述的基于卷积神经网络的高速公路危险物小目标检测方法，其特征在于，所述将四种大小的特征图l2、l3、l4、l5输入到特征融合网络balance fpn中进行特征处理，最终得到融合后的特征图p2、p3、p4、p5、p6，包括：
3.如权利要求1所述的基于卷积神经网络的高速公路危险物小目标检测方法，其特征在于，所述将p2、p3、p4、p5、p6传入task-specific解耦预测头，在分类分支中，将第i+1层特征上采样，沿通道与第i层特征进行融合，通过3×3卷积和全连接层后得到ficls；在回归分支中，将第i+1层特征上采样，将第i层特征上采样与i-1层做sum相加操作后，做下采样降维，与第i层特征和上采样后...
【专利技术属性】
技术研发人员：产思贤，裘陈浩，卢雅婷，俞敏明，白琮，
申请(专利权)人：浙江工业大学，
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。