一种基于卷积神经网络的小目标检测方法技术

本发明专利技术公开了一种基于卷积神经网络的小目标检测方法，首先，通过构数据集扩充，并运用ImageNet分类、合成雾算法对数据集进行增强，增加样本多样性；该优化模型，通过引入K‑means++方法优化锚框聚类、构建卷积神经网络模型，设计扩展特征金字塔网络以增强对小目标的检测能力、融合CBAM注意力机制提升特征提取效率、以及采用Focal‑EIOU损失函数减少小目标的误检和漏检，实现高效准确的小目标检测。

【技术实现步骤摘要】

本专利技术涉及图像信息处理，具体公开了一种基于卷积神经网络的小目标检测方法。

技术介绍

1、小目标检测在计算机视觉领域具有重要的应用价值，涉及安全监控、卫星图像解析、自动驾驶汽车等多个领域。小目标通常指在图像中占据像素较少的目标，这些目标的检测对提高整体监控系统的精确性和反应速度具有重大意义。目前常见的目标检测技术，如r-cnn、ssd和yolo等，主要针对中大尺寸目标进行优化，对小目标的检测效率和精度较低。这些算法在小目标特征提取和定位方面面临挑战，尤其是在复杂背景或低分辨率的情况下。

2、卷积神经网络（cnn）因其强大的特征提取能力已广泛应用于图像识别和目标检测。然而，传统的cnn模型在处理小目标时往往忽略了目标的细节信息，导致检测性能不佳。在传统卷积神经网络中，多次池化和卷积操作可能导致小目标的特征信息丢失，特别是在网络较深的情况下，小目标的有效信息难以保留。小目标检测常受到复杂背景的干扰，尤其是在目标与背景对比度不明显时，现有算法难以区分小目标和背景噪声。现有的目标检测算法在处理不同尺度的目标时效果差异大，特别是在小尺度目标检测上，效果本文档来自技高网...

【技术保护点】

1.一种基于卷积神经网络的小目标检测方法，其特征在于，所述基于卷积神经网络的小目标检测方法包括以下步骤：

2.根据权利要求1所述的基于卷积神经网络的小目标检测方法，其中所述的合成雾算法如下：

3.根据权利要求1所述的一种基于卷积神经网络的小目标检测方法，所述的特征提取模块共10层，设置每层的参数为：Focus层卷积核的个数为64，卷积核的大小设置为6×6，将第一至第四卷积层中卷积核的个数分别设置为128，256，512，1024，卷积核的大小均设置为3×3，步长均设置为1，且每一个卷积层均进行卷积操作、批归一化处理和Leaky ReLU激活处理；将第一至第四PC3...

【技术特征摘要】

1.一种基于卷积神经网络的小目标检测方法，其特征在于，所述基于卷积神经网络的小目标检测方法包括以下步骤：

2.根据权利要求1所述的基于卷积神经网络的小目标检测方法，其中所述的合成雾算法如下：

3.根据权利要求1所述的一种基于卷积神经网络的小目标检测方法，所述的特征提取模块共10层，设置每层的参数为：focus层卷积核的个数为64，卷积核的大小设置为6×6，将第一至第四卷积层中卷积核的个数分别设置为128，256，512，1024，卷积核的大小均设置为3×3，步长均设置为1，且每一个卷积层均进行卷积操作、批归一化处理和leaky relu激活处理；将第一至第四pc3层中卷积核的大小均设置为1×1，池化层采用3个最大池化和一个标准卷积进行拼接，池化层中池化核的大小均设置为5×5，步长设置为1；所述focus层进行一次下采样和卷积操作，下采样时宽和高都降为原来的一半，通道数增加到原来的四倍，卷积操作的卷积核大小为6×6，步长为1；每一个pc3层有两支操作，左支是通过一个部分卷积操作，右支是通过一个部分卷积操作再通过残差结构，将两条支路进行通道拼接后再进行一次卷积操作，pc3中的卷积核大小均设置为1×1，步长均设置为1。

4.根据权利要求1所述...

【专利技术属性】
技术研发人员：曲立国，张鑫，刘玉玲，刘科，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：