一种用于图像小目标检测的可分离多尺度特征融合方法技术

本发明专利技术公开了一种用于图像小目标检测的可分离多尺度特征融合方法，包括获取图像数据并进行预处理；通过若干层深度卷积和逐点卷积构建的深度可分离的特征提取器，分别对各自输入的浅层特征提取得到高阶特征；通过构建的特征权值分配机制将每一层输入的浅层特征和输出的高阶特征进行对应位置的累加和相乘操作，为浅层特征分配权值；通过构建的多尺度融合的S型主干网络将若干层的浅层特征和高阶特征进行融合，增加细节特征融合能力和提高计算效率；对深度可分离的特征提取器、特征权值分配机制和多尺度融合的S型主干网络构成的图像小目标检测网络模型进行训练；采用完成训练的图像小目标检测网络模型进行图像中小目标的检测，获取图像检测结果图。

【技术实现步骤摘要】

本专利技术涉及目标识别，尤其涉及一种用于图像小目标检测的可分离多尺度特征融合方法。

技术介绍

1、传统图像小目标检测方法中存在对小目标纹理和细节的捕捉能力不足，特征提取不充分，易受噪声干扰等问题。随着深度学习的发展，图像小目标检测技术取得了很大的进展，目前基于深度学习的目标检测技术主要分为两类：一阶段检测和二阶段检测。一阶段检测主要是输入到输出的过程，包含的主要算法有ssd算法，retinanet算法，yolo系列算法等，该类方法计算效率高，但检测精确低。二阶段检测主要是先生成建议区域，然后根据建议区域检测目标位置的过程，包含的主要算法有rcnn算法，sppnet算法，fast rcnn算法，faster rcnn算法以及fpn算法等，该类方法检测精确度高，但计算效率低。

技术实现思路

1、专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种用于图像小目标检测的可分离多尺度特征融合方法，通过深度可分离的特征提取器、特征权值分配机制以及多尺度融合的s型主干网络，实现更高精度的图像小目标检测。

<本文档来自技高网...

【技术保护点】

1.一种用于图像小目标检测的可分离多尺度特征融合方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种用于图像小目标检测的可分离多尺度特征融合方法，其特征在于：所述步骤S2中，若干层深度卷积和逐点卷积构建的深度可分离的特征提取器中；第一层的深度可分离的特征提取器对输入的第一浅层特征进行特征提取，得到第一高阶特征，第一高阶特征作为第二层的深度可分离的特征提取器输入的第二浅层特征；第二层的深度可分离的特征提取器对输入的第二浅层特征进行特征提取，得到第二高阶特征，第二高阶特征作为第三层的深度可分离的特征提取器输入的第三浅层特征；以此类推，直至第n层的深度可分离的特征提取器对...

【技术特征摘要】

1.一种用于图像小目标检测的可分离多尺度特征融合方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种用于图像小目标检测的可分离多尺度特征融合方法，其特征在于：所述步骤s2中，若干层深度卷积和逐点卷积构建的深度可分离的特征提取器中；第一层的深度可分离的特征提取器对输入的第一浅层特征进行特征提取，得到第一高阶特征，第一高阶特征作为第二层的深度可分离的特征提取器输入的第二浅层特征；第二层的深度可分离的特征提取器对输入的第二浅层特征进行特征提取，得到第二高阶特征，第二高阶特征作为第三层的深度可分离的特征提取器输入的第三浅层特征；以此类推，直至第n层的深度可分离的特征提取器对输入的第n浅层特征进行特征提取，得到第n高阶特征。

3.根据权利要求2所述的一种用于图像小目标检测的可分离多尺度特征融合方法，其特征在于：若干层中每一层深度可分离的特征提取器分别对各自输入的浅层特征进行特征提取得到高阶特征；采用深度卷积中若干卷积核对输入的浅层特征进行特征提取得到深度特征图，然后采用逐点卷积进行跨通道维度的处理对深度特征图进行提取特征，最终得到高阶特征；所述深度卷积对输入的浅层特征依次进行深度卷积操作、批处理归一化操作和relu函数的处理，提取深度特征图；具体过程如下所示：

4.根据权利要求3所述的一种用于图像小目标检测的可分离多尺度特征融合方法，其特征在于：所述逐点卷积依次采用1×1卷积进行跨通道维度操作、批处理归一化操作和relu函数的处理，提...

【专利技术属性】
技术研发人员：张琼，王彬，杭益柳，刘名辉，王文祥，刘佳慧，
申请(专利权)人：南通理工学院，
类型：发明
国别省市：