【技术实现步骤摘要】
本专利技术属于目标检测，具体涉及一种基于自蒸馏数据增强的无人艇小样本目标检测方法。
技术介绍
1、目标检测一直都是计算机视觉中的一个重要任务。随着深度学习的不断发展，基于深度卷积网络(deep convolutional neural networks,dcnn)的目标检测模型性能得到大幅提高，成为目前该领域的主流方法。基于深度卷积网络的目标检测模型大致可以分为两类：无锚的单阶段方法和基于锚的两阶段方法。
2、参照图1所示，单阶段的方法是以yolo和ssd为代表的一系列方法，此类方法通常采用密集的锚框或默认框来覆盖图像的不同位置和尺度，并通过分类和回归头部来预测每个框内是否存在目标以及目标的位置。这种方法简化了目标检测流程，提高了检测速度，但在处理小目标和遮挡等复杂场景时可能存在一定的挑战。
3、两阶段的方法主要包括rcnn系列模型，如r-cnn、fast-rcnn、fasterrcnn以及maskr-cnn等。这类模型首先会运用选择性搜索或类似的区域提取技术，从图像中筛选出潜在的候选区域。随后，对每个候选区域进...
【技术保护点】
1.一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，所述目标检测模型为基于卷积神经网络的目标检测模型，所述基于卷积神经网络的目标检测模型使用层次化视觉自注意力层作为主干网络。
3.根据权利要求1所述的一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，所述基于卷积神经网络的目标检测模型包括多粒度特征模块，提取目标图像或训练样本更细粒度的特征。
4.根据权利要求1所述的一种基于自蒸馏数据增强的无人艇小样本目标检测方法，...
【技术特征摘要】
1.一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，所述目标检测模型为基于卷积神经网络的目标检测模型，所述基于卷积神经网络的目标检测模型使用层次化视觉自注意力层作为主干网络。
3.根据权利要求1所述的一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，所述基于卷积神经网络的目标检测模型包括多粒度特征模块，提取目标图像或训练样本更细粒度的特征。
4.根据权利要求1所述的一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，在步骤b中，对小样本进行数据增强的方式包括：水平翻转、裁剪、马赛克、拼接、旋转、平移、添加噪声和模糊锐化处理。
5.根据权利要求1所述的一种基于自蒸馏数据增强的无人艇小样本目标检测方法，其特征在于，在步骤b中，在初始的平衡数据集中，所述增强样本和所述基类图像样本的比例为1:1，平衡数据集还包括由教师网络训练得到的伪标签样本，所述伪标签样本与基类图像样本的比例为1:1。
6.根据权利要求1所述的一种基于自蒸馏数据...
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。