【技术实现步骤摘要】
本专利技术涉及目标识别和跟踪的。特别应用于无人机等拍摄设备的目标图像采集，本专利技术具体涉及一种小目标检测模型的训练方法和系统
技术介绍
1、针对小目标的目标检测算法，因检测图像所占像素数较少，携带有效信息少，因此检测精度低且对复杂背景下目标适应能力弱，容易发生漏警和虚警的结果。特别是在实施于微纳量级无人机时，因为受到机身重量的限制，可配备的处理器存储和计算资源受限。加之计算量、参数量和耗时的限制，其小目标识别功能难以实施于小型机身且无法保证识别精度。
技术实现思路
1、本专利技术的目的是提供一种小目标检测模型的训练方法，通过深度神经网络架构结合不确定学习方法，得到了识别准确度、可靠性高的小目标检测模型，解决了现有小目标识别时，容易出现误识、漏识和算力限制等问题。
2、为解决上述问题，本专利技术的第一方面，提供了一种小目标检测模型的训练方法，包括：
3、构建小目标识别深度神经网络结构。小目标识别深度神经网络结构包括骨干网络层和检测头层。
4、将多幅小目标检测样本图像输入小目标识别深度神经网络，训练骨干网络层识别小目标检测样本图像中的目标图像特征。通过不确定学习方法训练检测头层，根据目标图像特征得到目标分类信息，以使小目标检测模型能够识别测试图片得到目标检测结果。
5、本专利技术的第二方面，提供了一种利用小目标检测模型检测目标图像的方法，根据本专利技术中的小目标检测模型的训练方法训练得到小目标检测模型。利用小目标检测模型检测目标图像的方
6、将待测试的图片输入到小目标检测模型中，获取目标检测结果。
7、输出目标检测结果、根据目标检测结果生成目标跟踪信息或根据目标检测结果生成拍摄控制信息。
8、本专利技术的第三方面，提供了一种小目标检测模型的训练系统，包括构建单元和识别训练单元，其中：
9、构建单元，配置为构建小目标识别深度神经网络结构。小目标识别深度神经网络结构包括骨干网络层和检测头层。
10、识别训练单元，配置为将多幅小目标检测样本图像输入小目标识别深度神经网络，训练骨干网络层识别小目标检测样本图像中的目标图像特征。通过不确定学习方法训练检测头层，根据目标图像特征得到目标分类信息，以使小目标检测模型能够识别测试图片得到目标检测结果。
11、本专利技术的第四方面，提供了一种电子设备，包括：处理器和存储器。存储器其存储有智能体控制网络模型的计算机指令和/或利用智能体控制网络模型处理智能体的状态数据的计算机指令，当计算机指令由处理器运行时，使得电子设备执行本专利技术中，根据小目标检测模型的训练方法和/或根据本专利技术中利用小目标检测模型检测目标图像的方法。
12、本专利技术的第五方面，提供一种计算机可读存储介质，包含有智能体控制网络模型的程序指令和/或利用智能体控制网络模型处理智能体的状态数据的程序指令，当程序指令由处理器执行时，使得实现根据小目标检测模型的训练方法和/或利用小目标检测模型检测目标图像的方法。
13、本专利技术的上述技术方案具有如下有益的技术效果：本专利技术通过小目标检测模型实时监测技术，解决了微纳量级无人机现有小目标检测算法容易出现误识、漏识和算力限制等问题。
14、本专利技术中，目标检测模型中的算法相比现有小目标检测算法可在大幅降低计算量的同时，实现至少20m范围内的目标检测，提高检测准确性，减少目标的误识和漏识问题，达到良好的实时监测效果。本专利技术中的小目标检测模型能够部署在微纳无人端侧设备上，实现了特定小目标的高实时性检测。
15、同时，本专利技术中的训练智能体控制网络模型的层数设计紧凑、精简，所需模型的计算量、参数量小，整套算法耗时少，易部署在微纳平台上，从而在应用时，更易实施于微纳量级无人机等轻量级设备的控制中。
本文档来自技高网...【技术保护点】
1.一种小目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，还包括：
3.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，得到所述小目标检测样本图像包括，模糊处理所述小目标检测样本图像或减少像素值处理所述小目标检测样本图像。
4.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，平面增强处理所述小目标检测图像包括，通过旋转、剪裁、缩放、水平翻转和/或镜像方法增强所述小目标检测图像。
5.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，平面增强处理所述小目标检测图像包括，通过Mosaic马赛克数据增强方法增强所述小目标检测图像。
6.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，得到所述小目标检测样本图像包括：
7.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，所述骨干网络层包括特征提取模块和特征修正模块；所述特征提取模块提取所述小目标检测样本图像中的目标图像特征；所述特征修正模块，修正所述特征提取模块输
8.根据权利要求7所述的小目标检测模型的训练方法，其特征在于，所述检测头层包括检测模块；所述检测模块包括多个检测层和设置在所述检测层之间的池化层；所述检测层包括多个卷积层和归一化层；
9.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，在构建小目标识别深度神经网络结构后包括：
10.根据权利要求9所述的小目标检测模型的训练方法，其特征在于，有监督训练所述小目标识别深度神经网络包括：
11.根据权利要求9所述的小目标检测模型的训练方法，其特征在于，有监督训练所述小目标识别深度神经网络包括：
12.根据权利要求10所述的小目标检测模型的训练方法，其特征在于，所述目标检测结果中包括目标检测框；
13.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，还包括：
14.一种利用小目标检测模型检测目标图像的方法，根据权利要求1至13中任意一项所述的小目标检测模型的训练方法训练得到小目标检测模型；其特征在于，利用小目标检测模型检测目标图像的方法包括：
15.根据权利要求14所述的利用小目标检测模型检测目标图像的方法，其特征在于，包括：
16.一种小目标检测模型的训练系统，其特征在于，包括构建单元和识别训练单元，其中：
17.根据权利要求16所述的小目标检测模型的训练系统，其特征在于，还包括：采样单元；
18.根据权利要求17所述的小目标检测模型的训练系统，其特征在于，所述采样单元，还配置为得到所述小目标检测样本图像包括，模糊处理所述小目标检测样本图像或减少像素值处理所述小目标检测样本图像；
19.根据权利要求17所述的小目标检测模型的训练系统，其特征在于，所述采样单元，还配置为通过多幅小目标检测样本图像，建立小目标检测图像数据库；
20.根据权利要求16所述的小目标检测模型的训练系统，其特征在于，所述骨干网络层包括特征提取模块和特征修正模块；
21.根据权利要求16所述的小目标检测模型的训练系统，其特征在于，所述识别训练单元中还包括，训练控制单元；
22.根据权利要求20所述的小目标检测模型的训练系统，其特征在于，所述训练控制单元，还配置为通过前向传播训练方式对所述神经元节点之间的参数进行初始化；在前向传播过程中，使用激活函数训练；
23.根据权利要求21所述的小目标检测模型的训练系统，其特征在于，所述目标检测结果中包括目标检测框；
24.根据权利要求16所述的小目标检测模型的训练系统，其特征在于，所述识别训练单元中还包括，输出单元；
25.一种电子设备，其特征在于，包括：
26.一种计算机可读存储介质，其特征在于，包含有智能体控制网络模型的程序指令和/或利用智能体控制网络模型处理智能体的状态数据的程序指令，当所述程序指令由处理器执行时，使得实现根据权利要求1～13的任意一项所述的方法和/或根据权利要求14～15所述的方法。
...【技术特征摘要】
1.一种小目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，还包括：
3.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，得到所述小目标检测样本图像包括，模糊处理所述小目标检测样本图像或减少像素值处理所述小目标检测样本图像。
4.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，平面增强处理所述小目标检测图像包括，通过旋转、剪裁、缩放、水平翻转和/或镜像方法增强所述小目标检测图像。
5.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，平面增强处理所述小目标检测图像包括，通过mosaic马赛克数据增强方法增强所述小目标检测图像。
6.根据权利要求2所述的小目标检测模型的训练方法，其特征在于，得到所述小目标检测样本图像包括：
7.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，所述骨干网络层包括特征提取模块和特征修正模块；所述特征提取模块提取所述小目标检测样本图像中的目标图像特征；所述特征修正模块，修正所述特征提取模块输出的所述小目标检测样本图像中的目标图像特征；
8.根据权利要求7所述的小目标检测模型的训练方法，其特征在于，所述检测头层包括检测模块；所述检测模块包括多个检测层和设置在所述检测层之间的池化层；所述检测层包括多个卷积层和归一化层；
9.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，在构建小目标识别深度神经网络结构后包括：
10.根据权利要求9所述的小目标检测模型的训练方法，其特征在于，有监督训练所述小目标识别深度神经网络包括：
11.根据权利要求9所述的小目标检测模型的训练方法，其特征在于，有监督训练所述小目标识别深度神经网络包括：
12.根据权利要求10所述的小目标检测模型的训练方法，其特征在于，所述目标检测结果中包括目标检测框；
13.根据权利要求1所述的小目标检测模型的训练方法，其特征在于，还包括：
14.一种利用小...
【专利技术属性】
技术研发人员：尤政，史慧宇，戴宇翔，纪兴龙，浦一雯，丁皓伦，韩毓，邢飞，鲁文帅，
申请(专利权)人：启元实验室，
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。