【技术实现步骤摘要】
本专利技术涉及目标检测，特别涉及一种基于局部注意力特征关联机制的小目标检测方法、系统、设备及介质。
技术介绍
1、小目标检测的主要内容是从复杂图像中准确检测到目标的位置，并判别目标类型，是图像分割，行为识别等高级视觉任务的基础。小目标检测在军事领域和民用生活领域均有重大意义。小目标检测是无人机避障、侦察和作战的基础，是边境国防及海上预警的眼睛，具有重要的军事意义。小目标检测在民用领域也有广泛应用，对于医疗诊断中，早期病变白班等现象在ct图像中占比很小，难以检测，因此快速准确的检测病变区域对于早期治疗，预防恶化改善身体健康是很重要的。传统的基于transformer目标检测方法主要依赖编解码器中的自注意力机制和互注意力机制，即计算每个特征向量对应的q、k、v，对于一个特征点需计算其余所有特征向量与其关系，运算量较大，降低了算法的实时性，导致图像的输入尺寸不能过大，不利于算法的实际应用。
2、公开号为cn117132767a的专利申请，公开了一种小目标检测方法、装置、设备及可读存储介质，主要涉及一种基于构建改进后的yolov8目标检测算法，改进后的yolov8目标检测算法包括分组增强模块，分组增强模块包括分组模块、瓶颈模块和空间注意力模块，分组模块用于对输入特征进行分组，瓶颈模块用于对分组后的特征进行残差处理，空间注意力模块用于对残差处理后的特征进行空间感知；通过改进后的yolov8目标检测算法对待检测图像进行目标检测识别。
3、公开号为cn117173551a的专利申请，公开了一种场景自适应的无监督水下弱小
4、但是，现有技术存在以下问题：
5、(1)当前目标检测算法主要进行特征融合，而缺少特征关系的构建，基于卷积神经网络的检测架构难以关联小目标之间的特征，且复杂背景时，小目标空间特征容易被淹没，需要通过特征重构突出小目标空间信息；
6、(2)基于transformer的检测框架需要计算全部特征之间的关系，其计算量大，削弱了算法的实时性，加大硬件负载；
7、(3)基于transformer的目标检测框架在构建特征之间关系时缺少多尺度特征信息，而多尺度特征往往对目标检测起到重要作用。
技术实现思路
1、为了克服上述现有技术的缺点，本专利技术旨在提供一种基于局部注意力特征关联机制的小目标检测方法、系统、设备及介质，运用残差特征提取网络进行特征提取，利用特征金子塔进行特征融合，并通过局部注意力特征关联机制进行特征重构，采用匈牙利算法作为预测分类和回归同真值匹配，本专利技术结合多尺度信息提高了模型检测准确度，通过特征重构突出了小目标空间特征，通过全连接结构降低了模型运算量，使得模型易于训练，方便数据迁移，提高了检测鲁棒性。
2、为了实现上述目的，本专利技术采取的技术方案如下：
3、一种基于局部注意力特征关联机制的小目标检测方法，包括如下步骤：
4、步骤1，数据预处理：采集图像，随机选取不同的缩放比例参数、裁剪尺寸和归一化参数，依次对采集的图像进行尺度缩放、随机裁剪和图像归一化，得到预处理后的图像数据；
5、步骤2，模型构建：构建基于局部注意力特征关联机制的小目标检测网络模型；
6、步骤3，模型训练：将步骤1预处理后的图像数据输入步骤2构建的基于局部注意力特征关联机制的小目标检测网络模型中，利用匈牙利匹配算法作为训练策略，进行迭代训练，优化网络中各层可学习参数，得到最优的基于局部注意力特征关联机制的小目标检测网络模型；
7、步骤4，小目标检测：将待检测图像输入步骤3训练好的基于局部注意力特征关联机制的小目标检测网络模型，得到待检测图像的小目标检测结果。
8、所述步骤1数据预处理的具体过程为：
9、步骤1.1：采集待预测图像；
10、步骤1.2：设置不同的缩放比例参数，并在缩放过程中保持原始图像长宽比；
11、步骤1.3：设置不同的裁剪尺寸，采用绝对尺度的随机裁剪，并设置图像的高度尺寸及宽度尺寸；
12、步骤1.4：设置不同的归一化参数，所述图像归一化包括三个归一化通道，三个归一化通道均设置不同的归一化均值和标准差；
13、步骤1.5：随机选取不同的缩放比例参数、裁剪尺寸和归一化参数，依次对步骤1.1采集的待预测图像进行尺度缩放、随机裁剪和图像归一化，得到预处理后的图像数据。
14、所述步骤2构建的基于局部注意力特征关联机制的小目标检测网络模型包括残差特征提取网络、特征金字塔和局部注意力特征关联机制，具体为：
15、残差特征提取网络：提取包含空间信息的特征向量和包含语义信息的特征向量，得到多尺度的特征图；
16、特征金字塔：对残差特征提取网络提取的多尺度的特征图进行多尺度特征融合，得到融合特征向量；
17、局部注意力特征关联机制：对特征金字塔得到的融合特征向量进行多尺度特征关联，通过全连接网络预测偏移量，结合transformer编码器中的自注意力机制和编解码器间的互注意力机制实现特征重构，获得小目标检测结果。
18、所述步骤3模型训练的具体过程为：
19、步骤3.1，特征提取：将步骤1.5得到的预处理后的图像数据输入残差特征提取网络，依次提取包含空间信息的特征向量和包含语义信息的特征向量，得到多尺度的特征图；
20、步骤3.2，特征融合：将步骤3.1得到的多尺度的特征图输入特征金字塔，进行多尺度特征融合，得到融合特征向量；
21、步骤3.3，特征重构：利用局部注意力特征关联机制对步骤3.2得到的融合特征向量进行多尺度特征关联，通过全连接网络预测偏移量，结合transformer编码器中的自注意力机制和编解码器间的互注意力机制实现特征重构，获得小目标检测结果；
22、步骤3.4，将步骤3.3获得的预测结果经由focal损失函数计算分类损失，经由l1损失函数计算预测框与真值框大小差异，由giou损失函数计算预测框与真值框位置的交并比，共同计算回归损失，并求解匈牙利最优匹配，计算整体损失；
23、步骤3.5，重复步骤3.1-步骤3.4，对基于局部注意力特征关联机制的小目标检测网络模型进行训练和优化，得到最优的基于局部注意力特征关联机制的小目标检测网络模型。<本文档来自技高网...
【技术保护点】
1.一种基于局部注意力特征关联机制的小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于局部注意力特征关联机制的小目标检测方法，其特征在于，所述步骤1数据预处理的具体过程为：
3.根据权利要求1所述的一种基于局部注意力特征关联机制的小目标检测方法，其特征在于，所述步骤2构建的基于局部注意力特征关联机制的小目标检测网络模型包括残差特征提取网络、特征金字塔和局部注意力特征关联机制，具体为：
4.根据权利要求1或2或3所述的一种基于局部注意力特征关联机制的小目标检测方法，其特征在于，所述步骤3模型训练的具体过程为：
5.一种基于局部注意力特征关联机制的小目标检测系统，其特征在于，包括：
6.一种基于局部注意力特征关联机制的小目标检测设备，其特征在于，包括：
7.一种计算机可读存储介质，其特征在于：
【技术特征摘要】
1.一种基于局部注意力特征关联机制的小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于局部注意力特征关联机制的小目标检测方法，其特征在于，所述步骤1数据预处理的具体过程为：
3.根据权利要求1所述的一种基于局部注意力特征关联机制的小目标检测方法，其特征在于，所述步骤2构建的基于局部注意力特征关联机制的小目标检测网络模型包括残差特征提取网络、特征金...
【专利技术属性】
技术研发人员：刘龙，赵秋博，张梦璇，胥庆，徐增志，张文博，谢家强，李浩生，罗清泉，方榉炫，
申请(专利权)人：西安电子科技大学，
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。