小目标检测方法、设备及其介质技术

本发明专利技术涉及目标检测技术领域，尤其涉及一种小目标检测方法、设备及其介质。方法包括：步骤S1，采集原始图像，并对原始图像进行预处理，得到数据集；步骤S2，构建原始YOLOv8模型，对原始YOLOv8模型改进，将原始YOLOv8模型的SPPF结构替换为SPPF‑MAA结构，得到改进后的YOLOv8模型；步骤S3，将数据集输入至改进后的YOLOv8模型，利用自适应权重损失函数对改进后的YOLOv8模型进行训练；步骤S4，使用训练好的YOLOv8模型来进行目标检测，可以显著提高小目标检测的精度。

【技术实现步骤摘要】

本专利技术涉及目标检测，尤其涉及一种小目标检测方法、设备及其介质。

技术介绍

1、随着高级驾驶辅助系统(adas)技术的发展，如今adas已经融入日常驾驶中，提升了驾驶人员的驾驶体验。目标检测任务作为adas的重要一环，检测效果影响到了后续的规控和决策，在优化adas效果和提升用户驾驶体验中起到关键作用。

2、随着深度学习技术发展，目标检测在一些简单场景中已经达到较好的效果。但在adas应用场景中，存在大量尺寸较小的小目标，如行人，交通灯等。现有对小目标检测精度低的主要原因有：

3、1.小目标尺寸较小，在anchor_base中检测算法中需要设置数量和尺寸合理的anchor，如果anchor尺寸不合理，anchor无法与小目标的标注框匹配到正样本，则会导致小目标的大量漏检。如果数量不合理，聚类得到的anchor就无法全面覆盖所有的标注框尺寸，也会导致小目标的漏检。因此如何合理的设置anchor是小目标检测的一个难点。

4、2.小目标尺寸小，经过深度学习模型多次卷积和下采样后，小目标的特征在深层网络层中易丢失，影响小目标的本文档来自技高网...

【技术保护点】

1.一种小目标检测方法，其特征在于，所述方法包括：

2.如权利要求1所述的小目标检测方法，其特征在于，所述SPPF-MAA结构包括：

3.如权利要求2所述的小目标检测方法，其特征在于，所述SPPF-MAA结构还引入通道注意力机制，被配置为学习融合特征图中各个通道的权重。

4.如权利要求2所述的小目标检测方法，其特征在于，所述最大池化层卷积核尺寸为5*5，所述平均池化层卷积核尺寸为5*5。

5.如权利要求1所述的小目标检测方法，其特征在于，所述自适应权重损失函数包括位置损失和分类损失；

6.如权利要求5所述的小目标检测方法，其特征...

【技术特征摘要】

1.一种小目标检测方法，其特征在于，所述方法包括：

2.如权利要求1所述的小目标检测方法，其特征在于，所述sppf-maa结构包括：

3.如权利要求2所述的小目标检测方法，其特征在于，所述sppf-maa结构还引入通道注意力机制，被配置为学习融合特征图中各个通道的权重。

4.如权利要求2所述的小目标检测方法，其特征在于，所述最大池化层卷积核尺寸为5*5，所述平均池化层卷积核尺寸为5*5。

5.如权利要求1所述的小目标检测方法，其特征在于，所述自适应权重损失函数包括位置损失和分类损失；

6.如权利要求5所述...

【专利技术属性】
技术研发人员：张玉梅，李超，
申请(专利权)人：常州星宇车灯股份有限公司，
类型：发明
国别省市：