一种基于混合编码与分阶段训练策略优化的小物体检测系统及方法技术方案

本发明专利技术公开了一种基于混合编码与分阶段训练策略优化的小物体检测系统及方法，涉及目标检测技术领域，包括基于混合编码和分阶段训练策略，并构建HEST‑DETR模型，由主干网络、混合编码器和解码器组成；通过主干网络提取图像不同的尺度特征，作为混合编码器输入；通过混合编码器对不同的尺度特征进行增强，并对增强后的特征进行多尺度特征交互融合；基于融合后的特征，采用IoU感知的查询优选策略获取初始对象查询，利用IoU匹配策略进行边界框匹配，并通过分阶段训练策略进行更新和优化，获得小物体的位置和类型信息。因此，采用上述一种基于混合编码与分阶段训练策略优化的小物体检测方法，实现对小物体的检测，显著提升模型的检测性能和效率。

【技术实现步骤摘要】

本专利技术涉及目标检测，尤其是涉及一种基于混合编码与分阶段训练策略优化的小物体检测系统及方法。

技术介绍

1、目标检测是计算机视觉领域的重要研究方向，近年来，基于卷积神经网络(cnn)的目标检测模型，如yolo，取得了显著的性能提升。这些模型是通过将目标检测问题转化为回归问题，在提高检测精度的同时，面临一些实际应用中的挑战。例如，非极大值抑制(nms)方法虽然提高了检测精度，但在一定程度上限制了模型的检测速度。此外，针对小物体的检测精度以及对相互靠近物体的定位能力仍然表现较弱。

2、为了解决这些问题，detr模型引入了自注意力机制，旨在捕捉长距离依赖关系并提升模型的表达能力。然而，detr的编码器和解码器基于transformer架构，这使得训练和推理过程的计算资源消耗巨大。由于transformer的特性，该模型在小物体和中等物体的检测精度上仍存在一定局限性。

3、在解码器阶段，detr通过多层交叉注意力机制，将查询向量精准映射到图像特征中，从而提升目标的定位与识别精度。自注意力机制能够关注输入特征图的所有位置，增强了模型对全局上本文档来自技高网...

【技术保护点】

1.一种基于混合编码与分阶段训练策略优化的小物体检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于混合编码与分阶段训练策略优化的小物体检测方法，其特征在于，细粒度特征增强模块的表达式，如下：

3.根据权利要求1所述的一种基于混合编码与分阶段训练策略优化的小物体检测方法，其特征在于，中粒度通道特征增强模块的表达式，如下：

4.根据权利要求1所述的一种基于混合编码与分阶段训练策略优化的小物体检测方法，其特征在于，多尺度特征融合模块采用广义特征融合模块进行多尺度特征交互。

5.根据权利要求1所述的一种基于混合编码与分阶段训练策...

【技术特征摘要】

1.一种基于混合编码与分阶段训练策略优化的小物体检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于混合编码与分阶段训练策略优化的小物体检测方法，其特征在于，细粒度特征增强模块的表达式，如下：

3.根据权利要求1所述的一种基于混合编码与分阶段训练策略优化的小物体检测方法，其特征在于，中粒度通道特征增强模块的表达式，如下：

4.根据权利要求1所述的一种基于混合编码与分阶段训练策略优化的小...

【专利技术属性】
技术研发人员：渠连恩，王贺，刘明华，赵珊，张鹏飞，叶臣，任志考，
申请(专利权)人：新疆工程学院，
类型：发明
国别省市：