【技术实现步骤摘要】
本申请涉及目标检测，尤其涉及一种小目标检测方法、装置、设备及介质。
技术介绍
1、实际中，小目标检测具有非常广泛的应用场景。在无人驾驶、遥感观测、航拍图像分析、医学影像以及工业缺陷检测中，小目标检测是极为关键的一环。对小目标的精确快速地检测，可以有效降低经济成本、事故风险。因此小目标检测的发展将推动工业自动化、智能化进程的脚步，具有深远的应用价值与研究价值。然而小目标检测作为目标检测领域极为关键的研究方向之一，尚且存在许多尚未攻克的难题，相比于其他尺度的目标检测，小目标所特有的分辨率不高、可提取特征信息少、定位精度要求高以及数据集中小目标占比小等因素，均制约着小目标检测性能的提高。
2、单次多边框检测(ssd，single shot multibox detector)算法是当下最主要的单阶段目标检测方法之一。区别于之前的目标检测算法，ssd使用了多个不同尺度的特征层进行多尺度目标检测，使用步长为2的卷积操作生成5个尺度不同的额外层进行目标检测，其中尺度较大的特征层检测较小的目标，尺度较小的特征层检测较大的目标。ssd算法对物体检测的精度和速度均有较大的提升。然而，由于ssd直接使用卷积特征图进行检测且额外层之间缺少信息交流，对于小目标和相互靠近的物体检测效果不佳，从而产生错检和漏检的情况，存在小目标检测精确度低的问题。
技术实现思路
1、本申请实施例提供了一种小目标检测方法、装置、设备及介质，可以解决目标检测精确度低的问题。
2、第一方面，本申请实施例提供
3、对改进的ssd模型进行训练，得到训练后的ssd模型；改进的ssd模型的特征提取网络为改进的resnet50网络，改进的resnet50网络的每个残差模块的输出端设有cbam注意力模块，改进的ssd模型中用于进行特征融合的两个融合模块前均设有残差注意力模块，两个融合模块中第一个融合模块前的残差注意力模块用于对改进的resnet50网络中第三阶段输出的特征图进行处理，第一个融合模块用于对第一个融合模块前的残差注意力模块输出的特征图、改进的resnet50网络中第四阶段输出的特征图和改进的ssd模型中第一个额外层输出的特征图进行融合，两个融合模块中第二个融合模块前的残差注意力模块用于对改进的ssd模型中的第一个额外层输出的特征图进行处理，第二个融合模块用于对第二个融合模块前的残差注意力模块输出的特征图、改进的ssd模型中的第二个额外层输出的特征图和改进的ssd模型中的第三个额外层输出的特征图进行融合；
4、利用训练后的ssd模型对待检测图像中的小目标进行检测。
5、可选的，改进的resnet50网络中第四阶段的第一个残差模块中的第一个卷积层和第二个卷积层的卷积核步长均为1，第四阶段的降采样操作中卷积核的步长为1。
6、可选的，融合模块前的残差注意力模块输出的特征图的通道数为融合模块接收到的其他特征图的通道数均为其中，c表示融合模块的通道数。
7、可选的，残差注意力模块包括：第一残差单元、第二残差单元、第三残差单元、第四残差单元、乘法单元、加法单元、归一化单元、第一激活函数单元以及依次相连的上采样单元、下采样单元、第一卷积单元、第二卷积单元、第二激活函数单元；
8、第一残差单元的输入端为残差注意力模块的输入端，第一激活函数单元的输出端为残差注意力模块的输出端；
9、第一残差单元的输出端与下采样单元的输入端、第二残差单元的输入端相连接，第二残差单元的输出端与第三残差单元的输入端相连接，第三残差单元的输出端与乘法单元的输入端、加法单元的输入端相连接，第二激活函数单元的输出端与乘法单元的输入端相连接，乘法单元的输出端与加法单元的输入端相连接，加法单元的输出端与第四残差单元的输入端相连接，第四残差单元的输出端与归一化单元的输入端相连接，归一化单元的输出端与第一激活函数单元的输入端相连接。
10、可选的，对改进的ssd模型进行训练，得到训练后的ssd模型，包括：
11、获取多个目标图像；
12、分别针对每个目标图像，利用改进的ssd模型对目标图像进行小目标检测，获取目标图像的检测框；
13、基于所有目标图像的检测框计算改进的ssd模型的模型损失，并利用模型损失对改进的ssd模型的参数进行调整，得到训练后的ssd模型。
14、可选的，利用模型损失对改进的ssd模型的参数进行调整，得到训练后的ssd模型，包括：
15、判断模型损失是否达到损失函数预设值；
16、若是，则将改进的ssd模型作为训练后的ssd模型；
17、否则，调整改进的ssd模型中的参数，并返回分别针对每个目标图像，利用改进的ssd模型对目标图像进行小目标检测，获取目标图像的检测框的步骤。
18、可选的，基于所有目标图像的检测框计算改进的ssd模型的模型损失，包括：
19、通过公式：
20、
21、计算模型损失ciou；
22、其中，iou表示交并比，b表示检测框的中心点坐标，bgt表示真实框的中心点坐标，ρ2()表示欧式距离计算，c表示检测框与真实框的最小外接框的对角线长度，α表示惩罚因子，v表示长宽比相似性指标：
23、
24、
25、其中，wgt表示真实框的宽度，hgt表示真实框的长度，w表示检测框的宽度，h表示检测框的长度。
26、第二方面，本申请实施例提供了一种小目标检测装置，包括：
27、训练模块，对改进的ssd模型进行训练，得到训练后的ssd模型；改进的ssd模型的特征提取网络为改进的resnet50网络，改进的resnet50网络的每个残差模块的输出端设有cbam注意力模块，改进的ssd模型中用于进行特征融合的两个融合模块前均设有残差注意力模块，两个融合模块中第一个融合模块前的残差注意力模块用于对改进的resnet50网络中第三阶段输出的特征图进行处理，第一个融合模块用于对第一个融合模块前的残差注意力模块输出的特征图、改进的resnet50网络中第四阶段输出的特征图和改进的ssd模型中第一个额外层输出的特征图进行融合，两个融合模块中第二个融合模块前的残差注意力模块用于对改进的ssd模型中的第一个额外层输出的特征图进行处理，第二个融合模块用于对第二个融合模块前的残差注意力模块输出的特征图、改进的ssd模型中的第二个额外层输出的特征图和改进的ssd模型中的第三个额外层输出的特征图进行融合；
28、检测模块，利用训练后的ssd模型对待检测图像进行目标检测，获取待检测图像的检测框。
29、第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该处理器执行上述计算机程序时实现上述的小目标检测方法。
30、第四方面，本申请实施例提供了一种计算机可读存储本文档来自技高网...
【技术保护点】
1.一种小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的小目标检测方法，其特征在于，
3.根据权利要求1所述的小目标检测方法，其特征在于，
4.根据权利要求3所述的小目标检测方法，其特征在于，所述残差注意力模块包括：第一残差单元、第二残差单元、第三残差单元、第四残差单元、乘法单元、加法单元、归一化单元、第一激活函数单元以及依次相连的上采样单元、下采样单元、第一卷积单元、第二卷积单元、第二激活函数单元；
5.根据权利要求1所述的小目标检测方法，其特征在于，所述对改进的SSD模型进行训练，得到训练后的SSD模型，包括：
6.根据权利要求5所述的小目标检测方法，其特征在于，所述利用模型损失对所述改进的SSD模型的参数进行调整，得到训练后的SSD模型，包括：
7.根据权利要求5所述的小目标检测方法，其特征在于，所述基于所有目标图像的检测框计算所述改进的SSD模型的模型损失，包括：
8.一种小目标检测装置，其特征在于，包括：
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的小目标检测方法。
...【技术特征摘要】
1.一种小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的小目标检测方法，其特征在于，
3.根据权利要求1所述的小目标检测方法，其特征在于，
4.根据权利要求3所述的小目标检测方法，其特征在于，所述残差注意力模块包括：第一残差单元、第二残差单元、第三残差单元、第四残差单元、乘法单元、加法单元、归一化单元、第一激活函数单元以及依次相连的上采样单元、下采样单元、第一卷积单元、第二卷积单元、第二激活函数单元；
5.根据权利要求1所述的小目标检测方法，其特征在于，所述对改进的ssd模型进行训练，得到训练后的ssd模型，包括：
6.根据权利要求5所述的小目标检测方法，其特征在于，...
【专利技术属性】
技术研发人员：许雪梅，范文源，姚叶霞，周宇航，朱泽涵，
申请(专利权)人：中南大学，
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。