【技术实现步骤摘要】
本专利技术属于计算机视觉领域中的目标检测领域，具体是指一种聚焦小目标的目标检测方法。
技术介绍
1、航空小目标检测在实际工程中起着重要作用。随着无人机的出现和发展，相关的检测算法的价值不断提升。但是，大多数目标检测方法都不是专门为航空视角下的目标设计的。由于无人机受到负载和飞行高度的影响，一张无人机拍摄的图像中通常只包含很小一部分的目标，小目标通常缺乏充足的外观信息，因此难以将它们与背景或相似的目标区分开来，要能够在这幅图像中检测出这些小目标十分具有挑战性。
2、在深度学习的驱动下，尽管目标检测算法已取得了重大突破，但是对于小目标的检测仍然是不尽人意的。在目标检测公共数据集，比如coco数据集上，小目标和大目标在检测性能上存在显著差距，小目标的检测性能通常只有大目标的一半。主要是因为小目标检测有着几个原因可利用特征少、定位精度要求高、现有数据集中小目标占比少、样本不均衡问题、小目标聚集问题、网络结构等原因。所以目标检测网络对于小目标的特征提取较难，导致一直以来，小目标检测的准确率都不高。为了能够使小目标检测问题能够得到有效的解决，研究人员通常利用特征金字塔网络提取多尺度特征。此外，一些方法也尝试利用数据增强，超分辨率和提升训练策略以达到提升小目标的检测效果。虽然这些方法都取得了一定的效果，但是现目前的算法对小目标的检测效果依然不尽人意，因此，设计出适用于小目标检测的目标检测方法是非常重要的。
技术实现思路
1、有鉴于此，本专利技术提出了一种聚焦小目标的目标检测方法。本专
2、为了实现上述目的，本专利技术所采用的技术方案为：
3、一种聚焦小目标的目标检测方法，包括以下步骤；
4、步骤1、基于retinanet算法构建目标检测网络；目标检测网络包括骨干网络、特征金字塔网络层、分类子网层与回归子网层；
5、步骤2、构建resnet18网络，采集数据集进行预训练，用训练好的resnet18网络替换目标检测网络中的骨干网络；
6、步骤3、搭建可变形卷积结构，用可变形卷积结构替换resnet18网络中的卷积结构；
7、步骤4、针对目标识别网络中的特征金字塔网络层，新增一层特征提取层，并修改特征金字塔网络层的输入输出通道；所述特征提取层以原有特征金字塔网络层的两倍采样速度进行上采样；
8、步骤5、选取coco数据集中包含小目标的图像作为训练样本，并将每张图像上的小目标数据作为对比标签；
9、步骤6、将训练样本输入目标检测网络中；根据目标检测网络的输出结果与对比标签，结合focal loss损失函数计算目标检测结果损失；根据目标检测结果损失，通过反向传播算法更新目标检测网络的内部参数，直至目标检测结果损失收敛，结束训练并保存目标检测网络的内部参数，完成深度学习训练；
10、步骤7、将需要处理的图像输入到训练好的目标检测网络中，得到与图像相对应的目标检测结果。
11、进一步地，步骤1,基于retinanet算法构建目标检测网络,具体方式为：
12、(101)任意选择一骨干网络，进行图像数据集的预训练，用训练好的骨干网络作为retinanet的骨干网络；
13、(102)根据retinanet算法和骨干网络的输出，搭建特征金字塔网络层；
14、(103)根据retinanet算法，搭建分类子网层与回归子网层。
15、进一步地，步骤5中的小目标为分辨率小于32像素×32像素的目标图像。
16、由于采用了上述技术方案，本专利技术相对于
技术介绍
具有以下有益效果：
17、1、本专利技术采用四层金字塔结构构建特征金字塔网络，使锚框可以作为图像中更小的检测框，能够更容易检测出小目标。
18、2、本专利技术采用可变形卷积，更好地覆盖包含小目标的区域，改善目标检测结果。
本文档来自技高网...【技术保护点】
1.一种聚焦小目标的目标检测方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的一种聚焦小目标的目标检测方法，其特征在于，步骤1,基于RetinaNet算法构建目标检测网络,具体方式为：
3.根据权利要求2所述的一种聚焦小目标的目标检测方法，其特征在于，步骤5中的小目标为分辨率小于32像素×32像素的目标图像。
【技术特征摘要】
1.一种聚焦小目标的目标检测方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的一种聚焦小目标的目标检测方法，其特征在于，步骤1,基于retinanet算...
【专利技术属性】
技术研发人员：赵会杰，宋东兴，申冀湘，赵军，
申请(专利权)人：中电华鸿科技有限公司，
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。