CN114782709A - 一种基于高斯分配策略的图像小目标检测方法及系统 - Google Patents

一种基于高斯分配策略的图像小目标检测方法及系统 Download PDF

Info

Publication number
CN114782709A
CN114782709A CN202210559371.8A CN202210559371A CN114782709A CN 114782709 A CN114782709 A CN 114782709A CN 202210559371 A CN202210559371 A CN 202210559371A CN 114782709 A CN114782709 A CN 114782709A
Authority
CN
China
Prior art keywords
target
gaussian distribution
samples
image
network
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
Application number
CN202210559371.8A
Other languages
English (en)
Inventor
李智勇
张锋
韩幸
张鹏
杨芳
覃业聚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Shenfan Technology Co ltd
Original Assignee
Hunan Shenfan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Shenfan Technology Co ltd filed Critical Hunan Shenfan Technology Co ltd
Priority to CN202210559371.8A priority Critical patent/CN114782709A/zh
Publication of CN114782709A publication Critical patent/CN114782709A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于高斯分配策略的图像小目标检测方法及系统，通过加载图像和提取图像的相应特征，构成多尺度特征图集合；将提取的底层特征图和高层特征图进行特征融合，生成融合特征图；根据生成的融合特征图预测目标的类别、目标预测框的坐标值和目标框的中心度；使用高斯分配策略分配图像正负样本；结合分配的正负样本和网络输出的目标类别、预测框坐标和中心度计算网络损失；根据计算出的网络损失来更新网络参数直到网络收敛；利用训练好的网络，预测输入图像中目标的类别、目标预测框的坐标值和目标框的中心度，之后利用后处理算法获得检测结果。本发明使小目标检测器的性能平均提高两倍，对于非常微小的目标，甚至可以提高三倍。

Description

一种基于高斯分配策略的图像小目标检测方法及系统
技术领域
本发明涉及图像智能处理技术领域，尤其公开了一种基于高斯分 配策略的图像小目标检测方法及系统。
背景技术
目前，小尺寸目标检测作为计算机视觉中的一个研究难点和热点 被广泛应用于驾驶辅助、遥感和大规模视频监控。在近期提出的新颖 的网络结构和标签分配策略的推动下，已经取得了较大的进步，但仍 然是一个非常具有挑战性的问题。鉴于当前应用的遥感图像小目标检 测场景，目标在图像上成像平均低于13个像素，甚至存在4个像素 的弱小目标，现有的目标检测算法很难精确检测此类目标。
目前的解决小目标检测的问题主要有三种思路。一是通过归一化 输入图像尺寸和多尺度特征学习来获取尺寸不变性特征(Scale match for tiny person detection：Proceedings of the IEEE/CVF Winter Conference on Applications of ComputerVision.(2020)1257{1265)。 第二是通过GAN网络或者上下文信息增强小目标的特征表示能力 (Perceptual generative adversarial networks for small object detection.：Proceedings of the IEEE conference on computer vision and patternrecognition.(2017)1222{1230)。第三种是通过特定的算法度量两个包 围框的相似性来提高小目标检测的性能(A normalized gaussian wasserstein distance for tinyobject detection.arXiv preprint arXiv：2110.13389(2021))。
这些方法虽然在一定程度上提高了小目标检测的性能，但是性能 提升有限，同时忽略了标签分配策略对小目标检测性能的影响。
目前的标签分配策略为小尺寸目标分配正样本过少，不同尺寸的 目标分配的正样本数量差异过大，会造成对小目标的检测精准度低， 无法满足使用要求。
因此，现有小尺寸目标检测方法中存在的上述缺陷，是目前亟待 解决的技术问题。
发明内容
本发明提供了一种基于高斯分配策略的图像小目标检测方法及 系统，旨在解决现有小尺寸目标检测方法中存在的上述缺陷。
本发明的一方面涉及一种基于高斯分配策略的图像小目标检测 方法，包括以下步骤：
加载图像和提取图像的相应特征，构成多尺度特征图集合；
将提取的底层特征图和高层特征图进行特征融合，生成融合特征 图；
根据生成的融合特征图进行检测输出，预测目标的类别、目标预 测框的坐标值和目标框的中心度；
使用高斯分配策略分配图像正负样本；
结合分配的正负样本和网络输出的目标类别、预测框坐标和中心 度计算网络损失；
根据计算出的网络损失来更新网络参数，重复以上训练步骤，不 断更新网络参数直到网络收敛；
利用训练好的网络，预测输入图像中目标的类别、目标预测框的 坐标值和目标框的中心度；
对检测结果进行非极大值抑制处理，去除重复预测的目标类别和 预测框坐标值，获得最佳检测结果。
进一步地，加载和提取图像的相应特征，构成多尺度特征图集合 的步骤之后还包括：
将目标标注框映射为二维热图
Figure BDA0003653367730000021
其中，N表示批大小、 C表示类别数量、H表示高、W表示宽、S表示下采样率；
由标注产生的热图来对训练样本进行编码，利用预设的α阈值来 控制正样本的比例，热图中大于α阈值的样本为正样本，若热图中小 于或等于α阈值的样本为负样本；
对编码后的训练样本应用于回归权重。
进一步地，将目标标注框映射为二维热图
Figure BDA0003653367730000022
的步骤中，
对于一个标注框mth，(x，y，w，h)属于第m类，将线性地映射到特征 图的尺度上；
采用二维高斯分布N(m，∑)产生热图
Figure BDA0003653367730000031
二维高斯分布的概率密度函数由以下公式给出：
Figure BDA0003653367730000032
其中，x表示高斯分布的坐标(x，y)、μ表示高斯分布的平均矢量、 ∑表示高斯分布的协方差矩阵；
Figure BDA0003653367730000033
Figure BDA0003653367730000034
其中，β用来限制w和h的最大值，以平衡分配给不同尺寸物体 的正样本数量；
通过对Hm进行逐元素取最大处理来更新H中的第cm通道；
对于旋转的标注框(x，y，w，h，θ)，采用旋转的二维高斯分布N(μ，∑) 来产生目标的热图，
Figure BDA0003653367730000035
其中，w为旋转宽度、h表示旋转高度，θ表示旋转角度。
进一步地，由标注产生的热图来对训练样本进行编码，利用预设 的α阈值来控制正样本的比例，热图中大于α阈值的样本为正样本， 热图中小于或等于α阈值的样本为负样本的步骤中，
样本的目标的中心度定义为：
Figure BDA0003653367730000036
其中，l，r，t，b分别代表目标中心点到目标框左右上下四条边的距 离。
进一步地，对编码后的训练样本应用于回归权重的步骤中，
假设(i，j)在第m个标注框的子区域Am内，Wij为回归样本权重，
Figure BDA0003653367730000041
其中，Gm(i，j)是高斯概率在(i，j)处的高斯概率，am是第m个盒子 的面积。
本发明的另一方面涉及一种基于高斯分配策略的图像小目标检 测系统，包括：
特征提取模块，用于加载和提取图像的相应特征，构成多尺度特 征图集合；
特征融合模块，用于将提取的底层特征图和高层特征图进行特征 融合，生成融合特征图；
检测模块，用于根据生成的所述融合特征图进行检测输出，预测 目标的类别、目标预测框的坐标值和目标框的中心度；
分配模块，用于使用高斯分配策略分配图像正负样本；
计算模块，用于结合分配的正负样本和网络输出的目标类别、预 测框坐标和中心度计算网络损失；
更新模块，用于根据计算出的网络损失来更新网络参数，重复以 上训练步骤，不断更新网络参数直到网络收敛；
预测模块，用于利用训练好的网络，预测输入图像中目标的类别、 目标预测框的坐标值和目标框的中心度；
后处理模块，用于对检测结果进行非极大值抑制处理，去除重复 预测的目标类别和预测框坐标值，获得最佳检测结果。
进一步地，基于高斯分配策略的图像小目标检测系统还包括：
热图映射单元，用于将目标标注框映射为二维热图
Figure BDA0003653367730000042
其中，N表示批大小、C表示类别数量、H表示高、W表示宽、S表 示下采样率；
训练样本编码单元，用于由标注产生的热图来对训练样本进行编 码，利用预设的α阈值来控制正样本的比例，热图中大于α阈值的样 本为正样本，热图中小于或等于α阈值的样本为负样本；
回归权重单元，用于对编码后的训练样本应用于回归权重。
进一步地，热图映射单元中，对于一个标注框mth，(x，y，w，h)属于 第m类，将线性地映射到特征图的尺度上；
采用二维高斯分布N(m，∑)产生热图
Figure BDA0003653367730000051
二维高斯分布的概率密度函数由以下公式给出：
Figure BDA0003653367730000052
其中，x表示高斯分布的坐标(x，y)、μ表示高斯分布的平均矢量、 ∑表示高斯分布的协方差矩阵；
Figure BDA0003653367730000053
Figure BDA0003653367730000054
其中，β用来限制w和h的最大值，以平衡分配给不同尺寸物体 的正样本数量；
通过对Hm进行逐元素取最大处理来更新H中的第cm通道；
对于旋转的标注框(x，y，w，h，θ)，采用旋转的二维高斯分布N(μ，∑) 来产生目标的热图，
Figure BDA0003653367730000055
其中，w为旋转宽度、h表示旋转高度，θ表示旋转角度。
进一步地，训练样本编码单元中，样本的目标的中心度定义为：
Figure BDA0003653367730000061
其中，l，r，t，b分别代表目标中心点到目标框左右上下四条边的距 离。
进一步地，假设(i，j)在第m个标注框的子区域Am内，Wij为回归样 本权重，
Figure BDA0003653367730000062
其中，Gm(i，j)是高斯概率在(i，j)处的高斯概率，am是第m个盒子 的面积。
本发明所取得的有益效果为：
本发明提供一种基于高斯分配策略的图像小目标检测方法及系 统，通过加载图像和提取图像的相应特征，构成多尺度特征图集合； 将提取的底层特征图和高层特征图进行特征融合，生成融合特征图； 根据生成的融合特征图进行检测输出，预测目标的类别、目标预测框 的坐标值和目标框的中心度；使用高斯分配策略分配图像正负样本； 结合分配的正负样本和网络输出的目标类别、预测框坐标和中心度计 算网络损失；根据计算出的网络损失来更新网络参数，重复以上训练 步骤，不断更新网络参数直到网络收敛；利用训练好的网络，预测输 入图像中目标的类别、目标预测框的坐标值和目标框的中心度；对检 测结果进行非极大值抑制处理，去除重复预测的目标类别和预测框坐 标值，获得最佳检测结果。本发明提供的基于高斯分配策略的图像小 目标检测方法及系统，提出的高斯分配策略可以增加小目标分配的正 样本的数量，同时平衡不同尺寸物体分配的正样本的数量；提出的高 斯分配策略可以将归一化的高斯概率作为样本权重，在计算损失的过 程中对正样本的贡献进行重新加权，平衡不同尺寸物体的影响；提供 的算法可以使小目标检测器的性能平均提高两倍，对于非常微小的目 标，甚至可以提高三倍；性能比最先进的竞争对手高出3.4％(从20.8％ 到24.2％)，同时实现了7倍的加速。
附图说明
图1为本发明提供的基于高斯分配策略的图像小目标检测方法 一实施例的流程示意图；
图2为本发明提供的基于高斯分配策略的图像小目标检测方法 中网络结构图；
图3为本发明提供的基于高斯分配策略的图像小目标检测方法 中标注框映射为二维高斯分布示意图；
图4为本发明提供的基于高斯分配策略的图像小目标检测方法 中利用高斯热图编码训练样本示意图；
图5为本发明提供的基于高斯分配策略的图像小目标检测方法 中不同的标签方配策略对不同尺寸物体标签分配情况示意图；
图6为本发明提供的基于高斯分配策略的图像小目标检测方法 中训练阶段流程图；
图7为本发明提供的基于高斯分配策略的图像小目标检测方法 中推理阶段流程图；
图8为本发明提供的基于高斯分配策略的图像小目标检测方法 中的检测效果图；
图9为本发明提供的基于高斯分配策略的图像小目标检测系统 第一实施例的功能框图；
图10为本发明提供的基于高斯分配策略的图像小目标检测系统 第二实施例的功能框图。
附图标号说明：
10、特征提取模块；20、特征融合模块；30、检测模块；40、分 配模块；50、计算模块；60、更新模块；70、预测模块；80、后处理 模块；11、热图映射单元；12、训练样本编码单元；13、回归权重单 元。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体 的实施方式对上述技术方案做详细的说明。
如图1至图8所示，本发明第一实施例提出一种基于高斯分配策 略的图像小目标检测方法，包括以下步骤：
步骤S100、加载和提取图像的相应特征，构成多尺度特征图集 合。
接收样本图像，提取样本图像的特征，构成多尺度特征图集合； 由于目标尺寸较小，增加4倍下采样的特征图输出。特征提取可以采 用通用的Darknet53、Resnet50、DLA34等骨干网络。
步骤S200、将提取的底层特征图和高层特征图进行特征融合， 生成融合特征图。
将提取的底层特征图和高层特征图进行特征融合，生成下采样率 为4倍通道数为128的融合特征图。在特征融合模块中增加快捷连接 来引入高分辨率的特征。快捷连接引入了骨干网第2、3和4阶段的 特征，每个连接由3×3卷积层实现。第2、3、4阶段的层数分别为 3、2、1层。
步骤S300、根据生成的融合特征图进行检测输出，预测目标的 类别、目标预测框的坐标值和目标框的中心度。
接收特征融合模块生成的融合特征图，预测目标的类别、目标预 测框的坐标值和目标框的中心度。检测模块的所有分支和子模块都与 特征融合模块相连且都是卷积网络。检测模块包括分类分支和定位分 支。
1)分类分支用于对融合特征图做卷积处理，获得类别预测分数。 分类分支与所述特征融合模块相连，先通过2层128通道3×3卷积 层获取分类特征，然后通过一层目标类别数通道的3×3卷积获得类 别置信度。
2)定位分支用于对融合特征图做卷积处理，获得预测框的坐标 和中心度。定位分支与特征融合模块相连，通过两层64通道3×3卷 积层获取回归特征。
定位分支分为两个模块，一个是目标框回归模块，一个是中心度 回归模块。其中目标框回归模块采用1层4通道3×3卷积来获得目 标预测框的坐标值，中心度回归模块用于采用1层单通道3×3卷积 层获得目标的中心度。
步骤S400、使用高斯分配策略分配图像正负样本。
步骤S500、结合分配的正负样本和网络输出的目标类别、预测 框坐标和中心度计算网络损失。
损失函数由以下几个部分构成。
L＝Lc+λoWLreg+λ1Lcen (1)
在公式(1)中，Lc为分类损失，在这里采用Focalloss。λo、λ1为 损失系数，用来调节不同损失的贡献，在这里取λo＝2.0，λ1＝1.0。Lreg为回归损失，采用IoUloss；W即L＝Lc+λoWLreg+λ1Lcen L＝Lc+λoWLreg+λ1Lcen L＝Lc+λoWLreg+λ1Lcen L＝Lc+λoWLreg+λ1Lcen为Wij， Lcen为中心度损失，采用L1损失。
步骤S600、根据计算出的网络损失来更新网络参数，重复以上 训练步骤，不断更新网络参数直到网络收敛。
计算网络损失，并进行梯度回传，更新网络参数，并不断迭代训 练直至网络收敛。
步骤S700、利用训练好的网络，预测输入图像中目标的类别、 目标预测框的坐标值和目标框的中心度。
步骤S800、对检测结果进行非极大值抑制处理，去除重复预测 的目标类别和预测框坐标值，获得最终检测结果。
利用后处理算法获得检测结果。图6为检测效果图。其中上半部 分图为没有使用高斯分配策略的小目标检测算法的检测结果，下半部 分方为使用高斯分配策略的小目标检测效果。图中可以看出算法能够 明显改善弱小目标检测精度。
本实施例提供的基于高斯分配策略的图像小目标检测方法，通过 加载图像和提取图像的相应特征，构成多尺度特征图集合；将提取的 底层特征图和高层特征图进行特征融合，生成融合特征图；根据生成 的融合特征图进行检测输出，预测目标的类别、目标预测框的坐标值 和目标框的中心度；使用高斯分配策略分配图像正负样本；结合分配 的正负样本和网络输出的目标类别、预测框坐标和中心度计算网络损 失；根据计算出的网络损失来更新网络参数，重复以上训练步骤，不 断更新网络参数直到网络收敛；利用训练好的网络，预测输入图像中 目标的类别、目标预测框的坐标值和目标框的中心度；对检测结果进行非极大值抑制处理，去除重复预测的目标类别和预测框坐标值，获 得最佳检测结果。本实施例提供的基于高斯分配策略的图像小目标检 测方法，提出的高斯分配策略可以增加小目标分配的正样本的数量， 同时平衡不同尺寸物体分配的正样本的数量；提出的高斯分配策略可 以将归一化的高斯概率作为样本权重，在计算损失的过程中对正样本 的贡献进行重新加权，平衡不同尺寸物体的影响；提供的算法可以使 小目标检测器的性能平均提高两倍，对于非常微小的目标，甚至可以 提高三倍；性能比最先进的竞争对手高出3.4％(从20.8％到24.2％)， 同时实现了7倍的加速。
本实施例提供的基于高斯分配策略的图像小目标检测方法，步骤 S100之后还包括：
步骤S110、将目标标注框映射为二维热图
Figure BDA0003653367730000101
其中，N 表示批大小、C表示类别数量、H表示高、W表示宽、S表示下采样 率。
首先，对于一个标注框mth，(x，y，w，h)属于第m类，将线性地映射 到特征图的尺度上；
然后，采用二维高斯分布N(m，∑)产生热图
Figure BDA0003653367730000102
二维高斯分布的概率密度函数由以下公式给出：
Figure BDA0003653367730000103
在公式(2)中，x表示高斯分布的坐标(x，y)、μ表示高斯分布 的平均矢量、∑表示高斯分布的协方差矩阵。
Figure BDA0003653367730000104
Figure BDA0003653367730000111
在公式(3)和(4)中，β用来限制w和h的最大值，以平衡分 配给不同尺寸物体的正样本数量。
最后，通过对Hm进行逐元素取最大处理来更新H中的第cm通道。
对于旋转的标注框(x，y，w，h，θ)，采用旋转的二维高斯分布N(μ，∑) 来产生目标的热图，
Figure BDA0003653367730000112
在公式(5)中，w为旋转宽度、h表示旋转高度，θ表示旋转角 度。
图3为标注框映射为二维高斯分布示意图，直观展示了如何将标 注框映射为二维高斯分布。
步骤S120、由标注产生的热图来对训练样本进行编码，利用预 设的α阈值来控制正样本的比例，热图中大于α阈值的样本为正样本， 热图中小于或等于α阈值的样本为负样本。所有热图中所有大于α阈 值的样本为正样本，其他位置的样本位负样本。
样本的目标的中心度定义为：
Figure BDA0003653367730000113
在公式(6)中，l，r，t，b分别代表目标中心点到目标框左右上下四 条边的距离。
图4为利用高斯热图编码训练样本示意图。图中高斯分布高于α 阈值平面的位置为正样本位置，其他位置为负样本位置。
步骤S130、对编码后的训练样本应用于回归权重。
假设(i，j)在第m个标注框的子区域Am内，Wij为回归样本权重，
Figure BDA0003653367730000121
在公式(7)中，Gm(i，j)是高斯概率在(i，j)处的高斯概率，am是 第m个盒子的面积。
将高斯分布应用于回归权重可以充分利用大物体中包含的更多 注释信息，并保留弱小物体的注释信息；还可以强调物体中心附近的 这些样本，并减少低质量样本的影响。
由于大多数待检测小目标不是严格的四边形，所以在小目标的边 界框附近往往会有很多背景，在这些物体中，前景像素都集中在边界 框的中心。基于高斯分布的标签分配策略可以增加小目标分配的正样 本数量，并且确保至少为每个目标分配一个正样本。对于正常大小的 物体，运用的策略会选择靠近中心的高质量正样本，并减少低质量样 本的影响，同时小目标的策略通过限制物体的最大半径有效减少了不 同尺寸物体分配正样本数量的差异。
图5为不同的标签分配策略对不同尺寸物体标签分配情况示意 图。从图中可以看出，基于高斯分布的分配策略能够增加小目标分配 的正样本数量，同时平衡不同尺寸物体分配的正样本的数量。
本实施例提供的基于高斯分配策略的图像小目标检测方法，将目 标标注框映射为二维热图；由标注产生的热图来对训练样本进行编码， 利用预设的α阈值来控制正样本的比例，热图中大于α阈值的样本为 正样本，热图中小于或等于α阈值的样本为负样本；对编码后的训练 样本应用于回归权重。本实施例提供的基于高斯分配策略的图像小目 标检测方法，提出的高斯分配策略可以增加小目标分配的正样本的数 量，同时平衡不同尺寸物体分配的正样本的数量；提出的高斯分配策 略可以将归一化的高斯概率作为样本权重，在计算损失的过程中对正 样本的贡献进行重新加权，平衡不同尺寸物体的影响；提供的算法可 以使小目标检测器的性能平均提高两倍，对于非常微小的目标，甚至 可以提高三倍；性能比最先进的竞争对手高出3.4％(从20.8％到24.2％)，同时实现了7倍的加速。
优选地，请见图9和图10，本发明涉及一种基于高斯分配策略 的图像小目标检测系统，包括特征提取模块10、特征融合模块20、 检测模块30、获取模块40、分配模块50、计算模块60、更新模块 70和后处理模块80，其中，特征提取模块10，用于加载和提取图像 的相应特征，构成多尺度特征图集合；特征融合模块20，用于将提 取的底层特征图和高层特征图进行特征融合，生成融合特征图；检测 模块30，用于根据生成的融合特征图进行检测输出，预测目标的类 别、目标预测框的坐标值和目标框的中心度；分配模块40，用于使 用高斯分配策略分配图像正负样本；计算模块50，用于结合分配的 正负样本和网络输出的目标类别、预测框坐标和中心度计算网络损失； 更新模块60，用于根据计算出的网络损失来更新网络参数，重复以 上训练步骤，不断更新网络参数直到网络收敛；预测模块70，用于 利用训练好的网络，预测输入图像中目标的类别、目标预测框的坐标 值和目标框的中心度；后处理模块80，用于对检测结果进行非极大 值抑制处理，去除重复预测的目标类别和预测框坐标值，获得最终检 测结果。需要说明的是，在训练阶段不需要后处理模块，只有推理阶段，就是训练完模型后，在推理阶段需要后处理模块。
特征提取模块10接收样本图像，提取样本图像的特征，构成多 尺度特征图集合；由于目标尺寸较小，增加4倍下采样的特征图输出。 特征提取可以采用通用的Darknet53、Resnet50、DLA34等骨干网络。
特征融合模块20将提取的底层特征图和高层特征图进行特征融 合，生成下采样率为4倍通道数为128的融合特征图。在特征融合模 块中增加快捷连接来引入高分辨率的特征。快捷连接引入了骨干网第 2、3和4阶段的特征，每个连接由3×3卷积层实现。第2、3、4阶 段的层数分别为3、2、1层。
检测模块30接收特征融合模块生成的融合特征图，预测目标的 类别、目标预测框的坐标值和目标框的中心度。检测模块的所有分支 和子模块都与特征融合模块相连且都是卷积网络。检测模块包括分类 分支和定位分支。
1)分类分支用于对融合特征图做卷积处理，获得类别预测分数。 分类分支与所述特征融合模块相连，先通过2层128通道3×3卷积 层获取分类特征，然后通过一层目标类别数通道的3×3卷积获得类 别置信度。
2)定位分支用于对融合特征图做卷积处理，获得预测框的坐标 和中心度。定位分支与特征融合模块相连，通过两层64通道3×3卷 积层获取回归特征。
定位分支分为两个模块，一个是目标框回归模块，一个是中心度 回归模块。其中目标框回归模块采用1层4通道3×3卷积来获得目 标预测框的坐标值，中心度回归模块用于采用1层单通道3×3卷积 层获得目标的中心度。
获取模块40对检测结果进行非极大值抑制等后处理，用于去除 重复预测的目标类别和预测框坐标值，获得最佳预测目标的类别和预 测框的坐标值。在后处理模块中，将中心度和类别置信度相乘作为目 标分类置信度进行非极大值抑制，以去除低质量的预测框。
更新模块60计算网络损失，并进行梯度回传，更新网络参数， 并不断迭代训练直至网络收敛。
后处理模块80利用后处理算法获得检测结果。图8为检测效果 图。其中上半部分图为没有使用高斯分配策略的小目标检测算法的检 测结果，下半部分方为使用高斯分配策略的小目标检测效果。图中可 以看出算法能够明显改善弱小目标检测精度。
本实施例提供的基于高斯分配策略的图像小目标检测系统，通过 加载图像和提取图像的相应特征，构成多尺度特征图集合；将提取的 底层特征图和高层特征图进行特征融合，生成融合特征图；根据生成 的融合特征图进行检测输出，预测目标的类别、目标预测框的坐标值 和目标框的中心度；使用高斯分配策略分配图像正负样本；结合分配 的正负样本和网络输出的目标类别、预测框坐标和中心度计算网络损 失；根据计算出的网络损失来更新网络参数，重复以上训练步骤，不 断更新网络参数直到网络收敛；利用训练好的网络，预测输入图像中 目标的类别、目标预测框的坐标值和目标框的中心度；对检测结果进行非极大值抑制处理，去除重复预测的目标类别和预测框坐标值，获 得最佳检测结果。本实施例提供的基于高斯分配策略的图像小目标检 测系统，提出的高斯分配策略可以增加小目标分配的正样本的数量， 同时平衡不同尺寸物体分配的正样本的数量；提出的高斯分配策略可 以将归一化的高斯概率作为样本权重，在计算损失的过程中对正样本 的贡献进行重新加权，平衡不同尺寸物体的影响；提供的算法可以使 小目标检测器的性能平均提高两倍，对于非常微小的目标，甚至可以 提高三倍；性能比最先进的竞争对手高出3.4％(从20.8％到24.2％)， 同时实现了7倍的加速。
请见图10，图10为本发明提供的基于高斯分配策略的图像小目 标检测系统第二实施例的功能框图，第一实施例的基础上，基于高斯 分配策略的图像小目标检测系统还包括热图映射单元41、训练样本 编码单元42和回归权重单元43，
热图映射单元41用于将目标标注框映射为二维热图
Figure BDA0003653367730000151
其中，N表示批大小、C表示类别数量、H表示高、W表示宽、S表 示下采样率。
首先，对于一个标注框mth，(x，y，w，h)属于第m类，将线性地映射 到特征图的尺度上；
然后，采用二维高斯分布N(m，∑)产生热图
Figure BDA0003653367730000152
二维高斯分布的概率密度函数由以下公式给出：
Figure BDA0003653367730000153
在公式(8)中，x表示高斯分布的坐标(x，y)、μ表示高斯分布 的平均矢量、∑表示高斯分布的协方差矩阵。
Figure BDA0003653367730000154
Figure BDA0003653367730000161
在公式(9)和(10)中，β用来限制w和h的最大值，以平衡分 配给不同尺寸物体的正样本数量。
最后，通过对Hm进行逐元素取最大处理来更新H中的第cm通道。
对于旋转的标注框(x，y，w，h，θ)，采用旋转的二维高斯分布N(μ，∑) 来产生目标的热图，
Figure BDA0003653367730000162
在公式(11)中，w为旋转宽度、h表示旋转高度，θ表示旋转 角度。
训练样本编码单元42用于由标注产生的热图来对训练样本进行 编码，利用预设的α阈值来控制正样本的比例，热图中大于α阈值的 样本为正样本，若热图中小于或等于α阈值的样本为负样本。
样本的目标的中心度定义为：
Figure BDA0003653367730000163
在公式(12)中，l，r，t，b分别代表目标中心点到目标框左右上下 四条边的距离。
回归权重单元43，用于对编码后的训练样本应用于回归权重。
假设(i，j)在第m个标注框的子区域Am内，Wij为回归样本权重，
Figure BDA0003653367730000164
在公式(13)中，Gm(i，j)是高斯概率在(i，j)处的高斯概率，am是 第m个盒子的面积。
将高斯分布应用于回归权重可以充分利用大物体中包含的更多 注释信息，并保留弱小物体的注释信息；还可以强调物体中心附近的 这些样本，并减少低质量样本的影响。
由于大多数待检测小目标不是严格的四边形，所以在小目标的边 界框附近往往会有很多背景，在这些物体中，前景像素都集中在边界 框的中心。基于高斯分布的标签分配策略可以增加小目标分配的正样 本数量，并且确保至少为每个目标分配一个正样本。对于正常大小的 物体，运用的策略会选择靠近中心的高质量正样本，并减少低质量样 本的影响，同时小目标的策略通过限制物体的最大半径有效减少了不 同尺寸物体分配正样本数量的差异。
本实施例提供的基于高斯分配策略的图像小目标检测系统，将目 标标注框映射为二维热图；由标注产生的热图来对训练样本进行编码， 利用预设的α阈值来控制正样本的比例，热图中大于α阈值的样本为 正样本，热图中小于或等于α阈值的样本为负样本；对编码后的训练 样本应用于回归权重。本实施例提供的基于高斯分配策略的图像小目 标检测系统，提出的高斯分配策略可以增加小目标分配的正样本的数 量，同时平衡不同尺寸物体分配的正样本的数量；提出的高斯分配策 略可以将归一化的高斯概率作为样本权重，在计算损失的过程中对正 样本的贡献进行重新加权，平衡不同尺寸物体的影响；提供的算法可 以使小目标检测器的性能平均提高两倍，对于非常微小的目标，甚至 可以提高三倍；性能比最先进的竞争对手高出3.4％(从20.8％到 24.2％)，同时实现了7倍的加速。
本实施例提供的基于高斯分配策略的图像小目标检测系统，整个 基于高斯分配策略的弱小目标检测过程分为训练和推理两个阶段。训 练流程图如图7所示，在训练阶段，执行以下操作：
1)使用预处理模块将图像切割为尺寸一致的样本图像以方便网 络进行处理，同时对图像进行水平或垂直翻转等简单的数据扩充工作， 并加载图像和相关标注。
2)使用特征提取模块接收样本图像，提取样本图像的特征，构 成多尺度特征图。由于目标尺寸较小，为了增强检测精度，增加4倍 下采样的特征图输出。
3)使用特征融合模块将特征提取模块提取的底层特征图和高层 特征图进行特征融合，生成下采样率为4倍通道数为128的融合特征 图。
4)使用检测模块接收特征融合模块生成的融合特征图，预测目 标的类别和目标预测框的坐标值和目标框的中心度。
5)采用基于高斯分类的标签分配模块，编码训练样本，获得回 归权重。具体实施步骤如下。首先将目标标注框映射到二维热图
Figure BDA0003653367730000181
在这里N、C、H、W、S分别表示批大小、类别数量， 高、宽和下采样率。对于一个标注框mth，(x，y，w，h)属于第m类，首先 将线性地映射到特征图的尺度上。然后，采用二维高斯分布N(m，∑)产 生目标热图
Figure BDA0003653367730000182
β用来限制w和h的最大值，以平衡分配给不同尺寸物体的正样 本数量。最后，通过对Hm进行逐元素取最大处理来更新H中的第cm通 道。
其次是编码训练样本。由标注产生的热图被用来对训练样本进行 编码。使用α来控制正样本的比例，所有热图中所有大于α阈值的 样本为正样本，其他位置的样本位负样本。目标的中心度定义为：
Figure BDA0003653367730000183
在公式(14)中，l，r，t，b分别代表目标中心点到目标框左右上下 四条边的距离。
最后获得回归权重。假设(i，j)在第m个标注框的子区域Am内，Wij为回归样本权重。
将高斯分布应用于回归权重可以充分利用大物体中包含的更多 注释信息，并保留弱小物体的注释信息。还可以强调物体中心附近的 这些样本，并减少低质量样本的影响。
6)计算上述正负样本的损失，并进行梯度回传，更新网络参数， 并不断迭代训练网络直至网络收敛。损失函数由以下几个部分构成。
L＝Lc+λoWLreg+λ1Lcen (15)
在公式(15)中，Lc为分类损失，在这里采用Focalloss。λo、λ1为损失系数，用来调节不同损失的贡献，在这里取λo＝2.0，λ1＝1.0。 Lreg为回归损失，采用IoUloss；W即为Wij；Lcen为中心度损失，采用 L1损失。
推理阶段流程图如图8所示，在推理阶段，执行以下操作：
1)导入训练好的模型，初始化网络参数。
2)使用预处理模块对图像进行预处理并加载图像。
3)使用特征融合模块接收样本图像，提取样本图像的特征，构 成多尺度特征图。
4)使用特征融合模块将特征融合模块提取的底层特征图和高层 特征图进行特征融合，生成下采样率为4倍通道数为128的融合特征 图。
5)使用检测模块接收特征融合模块生成的融合特征图，预测目 标的类别和目标预测框的坐标值和目标框的中心度。
6)使用后处理模块主要对检测结果进行非极大值抑制等后处理。 将中心度和类别置信度相乘作为目标分类置信度进行非极大值抑制， 以去除低质量的预测框。
本实施例使用特征融合模块将低分辨率高语义特征融合到高分 辨率低语义的特征图上。
本实施例提出的高斯标签分配策略，增加小目标分配的正样本的 数量，同时平衡不同尺寸物体分配的正样本的数量。
本实施例将归一化的高斯概率作为样本权重，在计算损失的过程 中对正样本的贡献进行重新加权，平衡不同尺寸物体的影响，并且使 得靠近边界框中心的位置具有更高的权重。
下面以具体的实例来进行说明：
本次实验是在遥感图像小目标检测数据集AI-TOD(微小物体检 测数据集)上进行的，这是一个为航空图像中的微小目标检测而设计 的具有挑战性的数据集。包括8个对象类别，包含700621个对象实 例，分布在28036幅800×800像素的航拍图像中。AI-TOD中目标大 小的平均值和标准差仅为12.8像素和5.9像素，远远小于一般检测数 据集。
在训练期间，使用随机梯度下降(Stochastic Gradient Descent，SGD) 优化器进行了24个轮训练，动量为0.9，权重衰减为0.0001，批次大 小为6。设置了初始学习速率为0.01，并在第16和22轮衰减。在测 试期间，使用预设的0.05分来筛选出背景边框，并以0.65的IOU (Intersection Over Union，目标预测边界框和真实边界框的交集和并 集的比值)阈值来应用NMS(Non-Maximum Suppression，非极大值 抑制)。所有图像都转到800×800进行训练和测试。除了在所有实验 中的简单水平翻转没有使用任何其他数据增强方式。此外，为了加快 训练速度，采用了浮点16(FP16)算法。推理速度是在1个带有 GTX2080TiGPU(图形处理器)的服务器上测试的。
实例1正样本阈值α对性能的影响。
该参数被用来从候选者中选择正样本。进行了几个实验来研究超 参数的影响，在此次对比实验中将超参数最大尺寸β设为无穷大。
表1为不同的阈值α对性能的影响。当α＝1.0时，的分配策略 与CenterNet是一样的，只有中心点为正样本，其他的都为负样本。 当α减小，每个目标分配的正样本数量的均值和方差均逐渐增大， 相应的性能也呈现上升后下降的趋势，因为正样本越多，监督信号越 多，但正样本数量不平衡会导致小目标被大目标淹没。当α＝0.1时， 获得了最佳性能20.6％AP。
表1超参数α对性能的影响
Figure BDA0003653367730000201
实例2最大尺寸β对性能的影响。
超参数β用于平衡分配给大目标和小目标的正样本数量。表2为 不同的超参数β对性能的影响，使用不同的β进行了几个实验。在此 次实验中，将超参数α设置为0.1。β的增加将导致分配给大目标的 正样本的增加，但对小对象的影响不大。当β＝7时，所有对象仅指定一个正样本。当β增加时，正样本的均值和方差缓慢增加，其性能 也相应提高。当β＝16(略大于目标的平均大小)时，正采样的最大数量 限制为9，正采样的标准差减少到1.7。获得了最佳性能21.7％AP。
表2超参数β对性能的影响
Figure BDA0003653367730000211
实例3回归重新加权对性能的影响。
根据高斯分布对每个正值样本赋予不同的权值，可以突出目标中 心附近的正值样本，减少模糊和低质量样本的影响。还可以充分利用 大对象中包含的更多注释信息，并保留小对象的注释信息。与之相反 的另一种方法是按注释框进行归一化。表3为回归重新加权对性能的 影响。回归加权后，TTFNet和ATSS-S的性能分别提高了1.1％和0.4％。
表3回归重新加权对性能的影响
Figure BDA0003653367730000212
总之，本实施例提供的基于高斯分配策略的图像小目标检测方法 及系统，所取得的有益效果为：
本实施例提出的高斯分配策略可以增加小目标分配的正样本的 数量，同时平衡不同尺寸物体分配的正样本的数量。
本实施例提出的高斯分配策略可以将归一化的高斯概率作为样 本权重，在计算损失的过程中对正样本的贡献进行重新加权，平衡不 同尺寸物体的影响。
本实施例的算法可以使小目标检测器的性能平均提高两倍，对于 非常微小的目标，甚至可以提高三倍。本发明的性能比最先进的竞争 对手高出3.4％(从20.8％到24.2％)，同时实现了7倍的加速。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦 得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。 所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围 的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种 改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些 修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明 也意图包含这些改动和变型在内。

Claims (10)

1.一种基于高斯分配策略的图像小目标检测方法，其特征在于，包括以下步骤：
加载图像和提取图像的相应特征，构成多尺度特征图集合；
将提取的底层特征图和高层特征图进行特征融合，生成融合特征图；
根据生成的所述融合特征图进行检测输出，预测目标的类别、目标预测框的坐标值和目标框的中心度；
使用高斯分配策略分配图像正负样本；
结合分配的正负样本和网络输出的目标类别、预测框坐标和中心度计算网络损失；
根据计算出的网络损失来更新网络参数，重复以上训练步骤，不断更新网络参数直到网络收敛；
利用训练好的网络，预测输入图像中目标的类别、目标预测框的坐标值和目标框的中心度；
对检测结果进行非极大值抑制处理，去除重复预测的目标类别和预测框坐标值，获得最终检测结果。
2.如权利要求1所述的基于高斯分配策略的图像小目标检测方法，其特征在于，所述加载和提取图像的相应特征，构成多尺度特征图集合的步骤之后还包括：
将目标标注框映射为二维热图
Figure FDA0003653367720000011
其中，N表示批大小、C表示类别数量、H表示高、W表示宽、S表示下采样率；
由标注产生的热图来对训练样本进行编码，利用预设的α阈值来控制正样本的比例，热图中大于α阈值的样本为正样本，热图中小于或等于α阈值的样本为负样本；
对编码后的训练样本应用于回归权重。
3.如权利要求2所述的基于高斯分配策略的图像小目标检测方法，其特征在于，所述将目标标注框映射为二维热图
Figure FDA0003653367720000012
的步骤中，
对于一个标注框mth，(x，y，w，h)属于第m类，将线性地映射到特征图的尺度上；
采用二维高斯分布N(m，∑)产生热图
Figure FDA0003653367720000021
二维高斯分布的概率密度函数由以下公式给出：
Figure FDA0003653367720000022
其中，x表示高斯分布的坐标(x，y)、μ表示高斯分布的平均矢量、∑表示高斯分布的协方差矩阵；
Figure FDA0003653367720000023
Figure FDA0003653367720000024
其中，β用来限制w和h的最大值，以平衡分配给不同尺寸物体的正样本数量；
通过对Hm进行逐元素取最大处理来更新H中的第cm通道；
对于旋转的标注框(x，y，w，h，θ)，采用旋转的二维高斯分布N(μ，∑)来产生目标的热图，
Figure FDA0003653367720000025
其中，w为旋转宽度、h表示旋转高度，θ表示旋转角度。
4.如权利要求3所述的基于高斯分配策略的图像小目标检测方法，其特征在于，所述由标注产生的热图来对训练样本进行编码，利用预设的α阈值来控制正样本的比例，热图中大于α阈值的样本为正样本，热图中小于或等于α阈值的样本为负样本的步骤中，
样本的目标的中心度定义为：
Figure FDA0003653367720000026
其中，l，r，t，b分别代表目标中心点到目标框左右上下四条边的距离。
5.如权利要求4所述的基于高斯分配策略的图像小目标检测方法，其特征在于，所述对编码后的训练样本应用于回归权重的步骤中，
假设(i，j)在第m个标注框的子区域Am内，Wij为回归样本权重，
Figure FDA0003653367720000031
其中，Gm(i，j)是高斯概率在(i，j)处的高斯概率，am是第m个盒子的面积。
6.一种基于高斯分配策略的图像小目标检测系统，其特征在于，包括：
特征提取模块(10)，用于加载和提取图像的相应特征，构成多尺度特征图集合；
特征融合模块(20)，用于将提取的底层特征图和高层特征图进行特征融合，生成融合特征图；
检测模块(30)，用于根据生成的所述融合特征图进行检测输出，预测目标的类别、目标预测框的坐标值和目标框的中心度；
分配模块(40)，用于使用高斯分配策略分配图像正负样本；
计算模块(50)，用于结合分配的正负样本和网络输出的目标类别、预测框坐标和中心度计算网络损失；
更新模块(60)，用于根据计算出的网络损失来更新网络参数，重复以上训练步骤，不断更新网络参数直到网络收敛；
预测模块(70)，用于利用训练好的网络，预测输入图像中目标的类别、目标预测框的坐标值和目标框的中心度；
后处理模块(80)，用于对检测结果进行非极大值抑制处理，去除重复预测的目标类别和预测框坐标值，获得最终检测结果。
7.如权利要求6所述的基于高斯分配策略的图像小目标检测系统，其特征在于，所述基于高斯分配策略的图像小目标检测系统还包括：
热图映射单元(11)，用于将目标标注框映射为二维热图
Figure FDA0003653367720000041
其中，N表示批大小、C表示类别数量、H表示高、W表示宽、S表示下采样率；
训练样本编码单元(12)，用于由标注产生的热图来对训练样本进行编码，利用预设的α阈值来控制正样本的比例，热图中大于α阈值的样本为正样本，热图中小于或等于α阈值的样本为负样本；
回归权重单元(13)，用于对编码后的训练样本应用于回归权重。
8.如权利要求7所述的基于高斯分配策略的图像小目标检测系统，其特征在于，所述热图映射单元(11)中，对于一个标注框mth，(x，y，w，h)属于第m类，将线性地映射到特征图的尺度上；
采用二维高斯分布N(m，∑)产生热图
Figure FDA0003653367720000042
二维高斯分布的概率密度函数由以下公式给出：
Figure FDA0003653367720000043
其中，x表示高斯分布的坐标(x，y)、μ表示高斯分布的平均矢量、∑表示高斯分布的协方差矩阵；
Figure FDA0003653367720000044
Figure FDA0003653367720000045
其中，β用来限制w和h的最大值，以平衡分配给不同尺寸物体的正样本数量；
通过对Hm进行逐元素取最大处理来更新H中的第cm通道；
对于旋转的标注框(x，y，w，h，θ)，采用旋转的二维高斯分布N(μ，∑)来产生目标的热图，
Figure FDA0003653367720000051
其中，w为旋转宽度、h表示旋转高度，θ表示旋转角度。
9.如权利要求8所述的基于高斯分配策略的图像小目标检测系统，其特征在于，所述训练样本编码单元(12)中，样本的目标的中心度定义为：
Figure FDA0003653367720000052
其中，l，r，t，b分别代表目标中心点到目标框左右上下四条边的距离。
10.如权利要求9所述的基于高斯分配策略的图像小目标检测系统，其特征在于，所述回归权重单元(13)中，假设(i，j)在第m个标注框的子区域Am内，Wij为回归样本权重，
Figure FDA0003653367720000053
其中，Gm(i，j)是高斯概率在(i，j)处的高斯概率，am是第m个盒子的面积。
CN202210559371.8A 2022-05-20 2022-05-20 一种基于高斯分配策略的图像小目标检测方法及系统 Pending CN114782709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210559371.8A CN114782709A (zh) 2022-05-20 2022-05-20 一种基于高斯分配策略的图像小目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210559371.8A CN114782709A (zh) 2022-05-20 2022-05-20 一种基于高斯分配策略的图像小目标检测方法及系统

Publications (1)

Publication Number Publication Date
CN114782709A true CN114782709A (zh) 2022-07-22

Family

ID=82408702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210559371.8A Pending CN114782709A (zh) 2022-05-20 2022-05-20 一种基于高斯分配策略的图像小目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN114782709A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228715A (zh) * 2023-02-28 2023-06-06 抖音视界有限公司 息肉检测模型的训练方法、息肉检测方法及相关装置
CN117173423A (zh) * 2023-08-09 2023-12-05 山东财经大学 图像小目标检测方法、系统、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228715A (zh) * 2023-02-28 2023-06-06 抖音视界有限公司 息肉检测模型的训练方法、息肉检测方法及相关装置
CN116228715B (zh) * 2023-02-28 2023-09-22 抖音视界有限公司 息肉检测模型的训练方法、息肉检测方法及相关装置
CN117173423A (zh) * 2023-08-09 2023-12-05 山东财经大学 图像小目标检测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN108647585B (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN109685152B (zh) 一种基于dc-spp-yolo的图像目标检测方法
CN111563473B (zh) 基于密集特征融合和像素级注意力的遥感舰船识别方法
CN111626128B (zh) 一种基于改进YOLOv3的果园环境下行人检测方法
US7844108B2 (en) Information processing apparatus and method, recording medium and program
CN111626176B (zh) 一种基于动态注意力机制的遥感目标快速检测方法及系统
CN111126472A (zh) 一种基于ssd改进的目标检测方法
CN113052834B (zh) 一种基于卷积神经网络多尺度特征的管道缺陷检测方法
CN111461213B (zh) 一种目标检测模型的训练方法、目标快速检测方法
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN114782709A (zh) 一种基于高斯分配策略的图像小目标检测方法及系统
CN114758288B (zh) 一种配电网工程安全管控检测方法及装置
CN112464911A (zh) 基于改进YOLOv3-tiny的交通标志检测与识别方法
CN111126278B (zh) 针对少类别场景的目标检测模型优化与加速的方法
CN113221787A (zh) 基于多元差异性融合的行人多目标跟踪方法
CN111310622A (zh) 一种面向水下机器人智能作业的鱼群目标识别方法
US11244188B2 (en) Dense and discriminative neural network architectures for improved object detection and instance segmentation
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN111368634B (zh) 基于神经网络的人头检测方法、系统及存储介质
CN112434618A (zh) 基于稀疏前景先验的视频目标检测方法、存储介质及设备
CN112016569A (zh) 基于注意力机制的目标检测方法、网络、设备和存储介质
CN113159215A (zh) 一种基于Faster Rcnn的小目标检测识别方法
CN115620180A (zh) 一种基于改进YOLOv5的航拍图像目标检测方法
CN112561801A (zh) 基于se-fpn的目标检测模型训练方法、目标检测方法及装置
CN111738114A (zh) 基于无锚点精确采样遥感图像车辆目标检测方法

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