基于改进MobileOne的轻量级无人机目标语义分割方法技术

基于改进MobileOne的轻量级无人机目标语义分割方法，首先，使用MobileOne轻量级骨干网络替代传统的xception模块，以降低参数量和提升计算效率。其次，引入金字塔池模块和EMA模块，以处理多尺度特征，增强模型对不同尺度目标的识别能力，特别是EMA模块通过跨维交互进一步聚合并行分支的输出特征，解决通道降维可能带来的副作用。同时，UAFM利用注意力模块生成权重，通过融合不同层级的特征图来提升分割精度。最后，通过模型压缩和加速技术，将优化后的模型高效部署在无人机的边缘处理器上。在算力受限且满足FPS大于30的实时要求下，与其他轻量化语义分割方法相比，提出的方法精度至少提升3.88%，准确度至少提高2.01%，优势显著。

【技术实现步骤摘要】

本专利技术属于轻量级图像处理，具体涉及基于改进mobileone的轻量级无人机目标语义分割方法。

技术介绍

1、无人机在当前的各种应用场景中发挥着重要作用。它们具备出色的监控和追踪能力，能够适应不同的地理环境，包括城市、乡村以及多样化的地形。相较于传统的手段，无人机更具机动性。无人机操作简单、灵活机动，在复杂环境下能够高效执行任务，从而提高任务执行效率。此外，无人机系统还配备了多种传感器，能够高强度地进行数据采集，而且运营成本低廉，全天候覆盖广大区域，显著提升了安全和治安管理的效能。

2、由于无人机航拍影像在拍摄时采用不同的飞行高度和视角，捕获的图像在大尺度的背景内包含着丰富的小尺度目标，图像内各物体排列无序，方向随机，同时类别内与类别间的物体呈现出的大小和形状不一致。物体的尺度变化很大，导致传统的分割方法难以同时捕获不同尺度的物体。随着深度学习在语义分割领域的不断发展，谷歌提出的deeplabv3+网络采用基于深度可分离卷积的xception作为特征提取骨干，在提高分割性能方面表现突出，然而它是一个相对深层的神经网络，尤其是在模型的训练阶段，本文档来自技高网...

【技术保护点】

1.基于改进MobileOne的轻量级无人机目标语义分割方法，其特征在于：该方法具体包括以下步骤：

2.根据权利要求1所述的基于改进MobileOne的轻量级无人机目标语义分割方法，其特征在于：所述步骤1中，根据无人机在不同场景下拍摄的视频截取多种室外场景下的帧图片，标注分割需要的前景类。

3.根据权利要求1所述的基于改进MobileOne的轻量级无人机目标语义分割方法，其特征在于：所述步骤2中，使用Augmentor库对原图与标签同时进行扩增，扩增操作包括随机缩放、随机翻转、随机裁剪、随机亮度、随机颜色、随机擦除/遮挡，基于数据量的合理分配和模型训练、调优、评估...

【技术特征摘要】

1.基于改进mobileone的轻量级无人机目标语义分割方法，其特征在于：该方法具体包括以下步骤：

2.根据权利要求1所述的基于改进mobileone的轻量级无人机目标语义分割方法，其特征在于：所述步骤1中，根据无人机在不同场景下拍摄的视频截取多种室外场景下的帧图片，标注分割需要的前景类。

3.根据权利要求1所述的基于改进mobileone的轻量级无人机目标语义分割方法，其特征在于：所述步骤2中，使用augmentor库对原图与标签同时进行扩增，扩增操作包括随机缩放、随机翻转、随机裁剪、随机亮度、随机颜色、随机擦除/遮挡，基于数据量的合理分配和模型训练、调优、评估的需求，将数据集按照8:1:1的比例划分为训练集、验证集和测试集。

4.根据权利要求1所述的基于改进mobileone的轻量级无人机目标语义分割方法，其特征在于：所述步骤3中，使用mobileone的mobileone_b4版本替换掉deeplabv3+的xception提取网络，将图片经过mobileone_b4骨干网络后按等比例缩小的特征提取过程分成四个阶段，为原图大小特征图作为3种浅层特征图，将为原图大小的特征图作为深层特征图。

5.根据权利要求1所述的基于改进mobileone的轻量级无人机目标语义分割方法，其特征在于：所述步骤4中，引入了一个结合squeeze-excite通道注意力的简单金字塔...

【专利技术属性】
技术研发人员：季一木，何俊杰，刘尚东，冯保龙，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：