CN114298137A - 基于对抗生成网络的微小目标检测系统 - Google Patents
基于对抗生成网络的微小目标检测系统 Download PDFInfo
- Publication number
- CN114298137A CN114298137A CN202111341658.5A CN202111341658A CN114298137A CN 114298137 A CN114298137 A CN 114298137A CN 202111341658 A CN202111341658 A CN 202111341658A CN 114298137 A CN114298137 A CN 114298137A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- network
- generation network
- tiny
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于对抗生成网络的微小目标检测方法和系统,涉及图像识别技术,该方法包括以下步骤:调用目标检测模型检测目标图像中的目标;筛选出尺寸小于第一预设值的目标作为微小目标;通过生成网络将所述微小目标对应的第一图像作放大处理,得到第二图像;调用目标分类模型对第二图像进行分类,得到分类结果。本申请实施例可以提升微小目标在分类上的精度。
Description
技术领域
本申请涉及图像识别技术,特别是一种基于对抗生成网络的微小目标检测系统。
背景技术
图像识别技术目前广泛应用于各行业,在部分应用场景中,由于远近景的问题,有些目标在画面中的比较小。由于这些目标在图像中的面积小,而且在训练样本中的出现的数量并不多,综合这些原因导致微小目标是分类准确度不够。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于对抗生成网络的微小目标检测方法和系统,提高微小目标的分类准确率。
本申请实施例提供了:一种基于对抗生成网络的微小目标检测方法,包括以下步骤:
调用目标检测模型检测目标图像中的目标;
筛选出尺寸小于第一预设值的目标作为微小目标;
通过生成网络将所述微小目标对应的第一图像作放大处理,得到第二图像;
调用目标分类模型对第二图像进行分类,得到分类结果;
其中,所述生成网络通过以下方式获得:
获取尺寸大于第二预设值的第三图像,所述第三图像中有识别目标;
将所述第三图像压缩成尺寸小于第一预设值的第四图像;
利用所述生成网络对第四图像进行放大,得到第五图像;
引入鉴别网络与所述生成网络组成对抗生成模型;
利用所述第三图像和第五图像对所述对抗生成模型进行训练,得到训练好的生成网络。
在一些实施例中,在对所述对抗生成模型进行训练的训练过程中:
当所述鉴别网络对所述生成网络生成的图像的鉴别率低于第一阈值时,优化所述鉴别网络的参数以提升鉴别网络的识别能力;
当所述鉴别网络对所述生成网络生成的图像的鉴别率大于第二阈值时,优化所述生成网络的参数以提升生成网络的仿真能力。
在一些实施例中,所述目标检测模型通过以下方式得到:
获取样本图像及其标注,所述标注对应样本图像中不同尺寸的目标;
通过多个样本图像及其标注对YOLO模型进行训练,得到目标检测模型。
在一些实施例中,所述目标分类模型为使用3*3卷积核的VGG16网络模型。
在一些实施例中,还包括以下步骤,将非微小目标直接输入到目标分类模型中进行处理。
在一些实施例中,所述将所述第三图像压缩成尺寸小于第一预设值的第四图像,具体为:
将所述第三图像压缩固定的长宽比例和固定的尺寸的第四图像。
另一方面,本实施例公开了一种基于对抗生成网络的微小目标检测系统,包括:
检测模块,用于调用目标检测模型检测目标图像中的目标;
筛选模块,用于筛选出尺寸小于第一预设值的目标作为微小目标;
生成模块,用于通过生成网络将所述微小目标对应的第一图像作放大处理,得到第二图像;
分类模块,用于调用目标分类模型对第二图像进行分类,得到分类结果;
其中,所述生成网络通过以下方式获得:
获取尺寸大于第二预设值的第三图像,所述第三图像中有识别目标;
将所述第三图像压缩成尺寸小于第一预设值的第四图像;
利用所述生成网络对第四图像进行放大,得到第五图像;
引入鉴别网络与所述生成网络组成对抗生成模型;
利用所述第三图像和第五图像对所述对抗生成模型进行训练,得到训练好的生成网络。
在一些实施例中,在对所述对抗生成模型进行训练的训练过程中:
当所述鉴别网络对所述生成网络生成的图像的鉴别率低于第一阈值时,优化所述鉴别网络的参数以提升鉴别网络的识别能力;
当所述鉴别网络对所述生成网络生成的图像的鉴别率大于第二阈值时,优化所述生成网络的参数以提升生成网络的仿真能力。
在一些实施例中,所述目标检测模型通过以下方式得到:
获取样本图像及其标注,所述标注对应样本图像中不同尺寸的目标;
通过多个样本图像及其标注对YOLO模型进行训练,得到目标检测模型。
另一方面,本实施例公开了一种基于对抗生成网络的微小目标检测系统,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行所述的基于对抗生成网络的微小目标检测方法。
本申请实施例通过对抗生成网络训练生成网络,使得生成网络可以将较小尺寸的图像还原成仿真度较高的大尺寸图像,通过这一方式可以提升微小目标的分类精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是基于对抗生成网络的微小目标检测方法的流程图;
图2是基于对抗生成网络的微小目标检测系统的模块框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,以下将参照本申请实施例中的附图,通过实施方式清楚、完整地描述本申请的技术方案,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
参照图1,本实施例公开了一种基于对抗生成网络的微小目标检测方法,包括以下步骤:
步骤一、调用目标检测模型检测目标图像中的目标。
本实施例中所指的目标检测模型主要用于识别图像中的对象是否需要识别的目标。在本实施例中,该目标检测模型不承担分类的任务,其只是将相关的目标标出。即只识别是否目标,不识别目标具体的类型。
在一些实施例中,所述目标检测模型通过以下方式得到:
获取样本图像及其标注,所述标注对应样本图像中不同尺寸的目标;
通过多个样本图像及其标注对YOLO模型进行训练,得到目标检测模型。
一般情况下,可以采用YOLO3或者YOLO5模型,这些模型对目标识别均具有比较好的效果。
步骤二、筛选出尺寸小于第一预设值的目标作为微小目标。
在本步骤中,尺寸可以是指面积,也可以是指具体的长和宽。本步骤的目的在于筛选出在图像中相对较小的目标,即微小目标。对于较大的目标而言,可以直接进行分类识别,而无需经过额外的处理。对于微小目标而言,则需要进行特别的处理,以增加分类识别得到准确度。
步骤三、通过生成网络将所述微小目标对应的第一图像作放大处理,得到第二图像。在本实施例中,生成网络是一个将较小尺寸的图像“还原”成一个较大尺寸的图像的网络。在本实施例中,生成网络通过对抗生成网络训练得到。
步骤四、调用目标分类模型对第二图像进行分类,得到分类结果。
在一些实施例中,所述目标分类模型为使用3*3卷积核的VGG16网络模型。VGG-16这是一种只需要专注于构建卷积层的简单网络。首先用3×3,步幅为1的过滤器构建卷积层,padding参数为same卷积中的参数。然后用一个2×2,步幅为2的过滤器构建最大池化层。因此VGG网络的一大优点是它确实简化了神经网络结构。在进行图像分类的时候,其简单的结构使得VGG具有一定的优势。
其中,所述生成网络通过以下方式获得:
获取尺寸大于第二预设值的第三图像,所述第三图像中有识别目标;
将所述第三图像压缩成尺寸小于第一预设值的第四图像;
利用所述生成网络对第四图像进行放大,得到第五图像;
引入鉴别网络与所述生成网络组成对抗生成模型;
利用所述第三图像和第五图像对所述对抗生成模型进行训练,得到训练好的生成网络。
在本实施例中,首先构建一个包括鉴别网络和生成网络的对抗生成网络,对鉴别器和生成器进行一定的与训练,使得生成网络可以根据小尺寸的图片生成较大尺寸的图片,而使得鉴别器可以鉴别原图和生成网络所生成的图片是否相同的图像。接着获取一些样本图像,这些样本图像中具有本任务中的识别目标,例如可以是诸如车、人脸、物件或者花纹等对象。在实施过程中,会将样本图像进行压缩。以模拟这些目标的成为微小目标时的效果。随后,将经过生成网络进行还原,然后将生成网络生成的第五图像和原图第三图像输入到鉴别网络这种进行鉴别。在训练过程中,轮流训练鉴别网络和生成网络,生成网络的训练目标是让鉴别网络判定第三图像和第五图像相同。鉴别网络的训练目标判定出原图和生成的图像不同。因此,在对所述对抗生成模型进行训练的训练过程中,可以设定相关的训练条件,来指导对抗生成的训练。具体地:
当所述鉴别网络对所述生成网络生成的图像的鉴别率低于第一阈值时,优化所述鉴别网络的参数以提升鉴别网络的识别能力;
当所述鉴别网络对所述生成网络生成的图像的鉴别率大于第二阈值时,优化所述生成网络的参数以提升生成网络的仿真能力。需要理解的是,本实施例的鉴别率是指鉴别网络鉴别出原图与生成图片不同的比例。
本申请实施例通过对抗生成网络训练生成网络,使得生成网络可以将较小尺寸的图像还原成仿真度较高的大尺寸图像,通过这一方式可以提升微小目标的分类精度。
在一些实施例中,还包括以下步骤,将非微小目标直接输入到目标分类模型中进行处理。在本实施例中,除了鉴别微小目标以外,还直接利用目标分类模型来对微小目标进行分类。需要理解的是,在训练目标分类模型的时候,训练样本中还包括一定量的由生成网络生成的图像。
在一些实施例中,所述将所述第三图像压缩成尺寸小于第一预设值的第四图像,具体为:
将所述第三图像压缩固定的长宽比例和固定的尺寸的第四图像。
在本实施例中,将第三图像压缩成固定尺寸和固定长宽比例的图像,可以简化后续识别网络的输入结构,使得输入部分的信息规格统一,减少了转换层,可以提升训练效率。
参照图2,本实施例公开了一种基于对抗生成网络的微小目标检测系统,包括:
检测模块,用于调用目标检测模型检测目标图像中的目标;
筛选模块,用于筛选出尺寸小于第一预设值的目标作为微小目标;
生成模块,用于通过生成网络将所述微小目标对应的第一图像作放大处理,得到第二图像;
分类模块,用于调用目标分类模型对第二图像进行分类,得到分类结果;
其中,所述生成网络通过以下方式获得:
获取尺寸大于第二预设值的第三图像,所述第三图像中有识别目标;
将所述第三图像压缩成尺寸小于第一预设值的第四图像;
利用所述生成网络对第四图像进行放大,得到第五图像;
引入鉴别网络与所述生成网络组成对抗生成模型;
利用所述第三图像和第五图像对所述对抗生成模型进行训练,得到训练好的生成网络。
在一些实施例中,在对所述对抗生成模型进行训练的训练过程中:
当所述鉴别网络对所述生成网络生成的图像的鉴别率低于第一阈值时,优化所述鉴别网络的参数以提升鉴别网络的识别能力;
当所述鉴别网络对所述生成网络生成的图像的鉴别率大于第二阈值时,优化所述生成网络的参数以提升生成网络的仿真能力。
在一些实施例中,所述目标检测模型通过以下方式得到:
获取样本图像及其标注,所述标注对应样本图像中不同尺寸的目标;
通过多个样本图像及其标注对YOLO模型进行训练,得到目标检测模型。
本实施例公开了一种基于对抗生成网络的微小目标检测系统,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行所述的基于对抗生成网络的微小目标检测方法。
本申请实施例通过对抗生成网络训练生成网络,使得生成网络可以将较小尺寸的图像还原成仿真度较高的大尺寸图像,通过这一方式可以提升微小目标的分类精度。
在本申请中所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于对抗生成网络的微小目标检测方法,其特征在于,包括以下步骤:
调用目标检测模型检测目标图像中的目标;
筛选出尺寸小于第一预设值的目标作为微小目标;
通过生成网络将所述微小目标对应的第一图像作放大处理,得到第二图像;
调用目标分类模型对第二图像进行分类,得到分类结果;
其中,所述生成网络通过以下方式获得:
获取尺寸大于第二预设值的第三图像,所述第三图像中有识别目标;
将所述第三图像压缩成尺寸小于第一预设值的第四图像;
利用所述生成网络对第四图像进行放大,得到第五图像;
引入鉴别网络与所述生成网络组成对抗生成模型;
利用所述第三图像和第五图像对所述对抗生成模型进行训练,得到训练好的生成网络。
2.根据权利要求1所述的基于对抗生成网络的微小目标检测方法,其特征在于,在对所述对抗生成模型进行训练的训练过程中:
当所述鉴别网络对所述生成网络生成的图像的鉴别率低于第一阈值时,优化所述鉴别网络的参数以提升鉴别网络的识别能力;
当所述鉴别网络对所述生成网络生成的图像的鉴别率大于第二阈值时,优化所述生成网络的参数以提升生成网络的仿真能力。
3.根据权利要求1所述的基于对抗生成网络的微小目标检测方法,其特征在于,所述目标检测模型通过以下方式得到:
获取样本图像及其标注,所述标注对应样本图像中不同尺寸的目标;
通过多个样本图像及其标注对YOLO模型进行训练,得到目标检测模型。
4.根据权利要求1所述的基于对抗生成网络的微小目标检测方法,其特征在于,所述目标分类模型为使用3*3卷积核的VGG16网络模型。
5.根据权利要求1所述的基于对抗生成网络的微小目标检测方法,其特征在于,还包括以下步骤,将非微小目标直接输入到目标分类模型中进行处理。
6.根据权利要求1所述的基于对抗生成网络的微小目标检测方法,其特征在于,所述将所述第三图像压缩成尺寸小于第一预设值的第四图像,具体为:
将所述第三图像压缩固定的长宽比例和固定的尺寸的第四图像。
7.一种基于对抗生成网络的微小目标检测系统,其特征在于,包括:
检测模块,用于调用目标检测模型检测目标图像中的目标;
筛选模块,用于筛选出尺寸小于第一预设值的目标作为微小目标;
生成模块,用于通过生成网络将所述微小目标对应的第一图像作放大处理,得到第二图像;
分类模块,用于调用目标分类模型对第二图像进行分类,得到分类结果;
其中,所述生成网络通过以下方式获得:
获取尺寸大于第二预设值的第三图像,所述第三图像中有识别目标;
将所述第三图像压缩成尺寸小于第一预设值的第四图像;
利用所述生成网络对第四图像进行放大,得到第五图像;
引入鉴别网络与所述生成网络组成对抗生成模型;
利用所述第三图像和第五图像对所述对抗生成模型进行训练,得到训练好的生成网络。
8.根据权利要求7所述的基于对抗生成网络的微小目标检测系统,其特征在于,在对所述对抗生成模型进行训练的训练过程中:
当所述鉴别网络对所述生成网络生成的图像的鉴别率低于第一阈值时,优化所述鉴别网络的参数以提升鉴别网络的识别能力;
当所述鉴别网络对所述生成网络生成的图像的鉴别率大于第二阈值时,优化所述生成网络的参数以提升生成网络的仿真能力。
9.根据权利要求8所述的基于对抗生成网络的微小目标检测系统,其特征在于,所述目标检测模型通过以下方式得到:
获取样本图像及其标注,所述标注对应样本图像中不同尺寸的目标;
通过多个样本图像及其标注对YOLO模型进行训练,得到目标检测模型。
10.一种基于对抗生成网络的微小目标检测系统,其特征在于,包括:
存储器,用于存储程序;
处理器,用于加载所述程序以执行如权利要求1-6任一项所述的基于对抗生成网络的微小目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341658.5A CN114298137A (zh) | 2021-11-12 | 2021-11-12 | 基于对抗生成网络的微小目标检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341658.5A CN114298137A (zh) | 2021-11-12 | 2021-11-12 | 基于对抗生成网络的微小目标检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298137A true CN114298137A (zh) | 2022-04-08 |
Family
ID=80963982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111341658.5A Pending CN114298137A (zh) | 2021-11-12 | 2021-11-12 | 基于对抗生成网络的微小目标检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298137A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486585A (zh) * | 2023-06-19 | 2023-07-25 | 合肥米视科技有限公司 | 一种基于ai机器视觉分析预警的生产安全管理系统 |
-
2021
- 2021-11-12 CN CN202111341658.5A patent/CN114298137A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486585A (zh) * | 2023-06-19 | 2023-07-25 | 合肥米视科技有限公司 | 一种基于ai机器视觉分析预警的生产安全管理系统 |
CN116486585B (zh) * | 2023-06-19 | 2023-09-15 | 合肥米视科技有限公司 | 一种基于ai机器视觉分析预警的生产安全管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
US9552642B2 (en) | Apparatus and method for tracking object using feature descriptor, and apparatus and method for removing garbage feature | |
KR100799557B1 (ko) | 동영상의 비주얼 특징을 이용한 유해 동영상 판별함수 생성및 판별 방법 그리고 그 장치 | |
US20170287252A1 (en) | Counterfeit Document Detection System and Method | |
CN107203765B (zh) | 敏感图像检测方法和装置 | |
CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
CN115062186B (zh) | 一种视频内容检索方法、装置、设备以及存储介质 | |
JP3756507B1 (ja) | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 | |
CN105654109B (zh) | 分类方法、检查方法和检查装置 | |
CN111415336A (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN114298137A (zh) | 基于对抗生成网络的微小目标检测系统 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN112926595B (zh) | 深度学习神经网络模型的训练装置、目标检测系统及方法 | |
CN113792623B (zh) | 安检ct目标物识别方法和装置 | |
CN111488574B (zh) | 恶意软件分类方法、系统、计算机设备和存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN113129298A (zh) | 文本图像的清晰度识别方法 | |
CN111340139A (zh) | 一种图像内容复杂度的判别方法及装置 | |
JP2007018176A (ja) | 学習装置、学習方法、学習プログラム、記録媒体、パターン認識装置およびパターン認識方法 | |
CN105654108A (zh) | 分类方法、检查方法和检查装置 | |
CN113111734B (zh) | 一种水印分类模型训练方法及装置 | |
CN109543565B (zh) | 一种数量确定方法及装置 | |
CN112287932B (zh) | 一种确定图像质量的方法、装置、设备及存储介质 | |
CN113420579A (zh) | 标识码位置定位模型的训练及定位方法、装置、电子设备 | |
CN113537253A (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |