【技术实现步骤摘要】
一种面向小目标超分辨重建图像的目标识别模型构建方法
[0001]本专利技术属于目标识别
,更具体地,涉及一种面向小目标超分辨重建图像的目标识别模型构建方法。
技术介绍
[0002]现实生活中,随着摄像设备的小型化和便携化,这些设备每时每刻都在产生海量的图像数据。这些设备采集到的图像数据中存在着许许多多像素尺寸较小的目标,例如利用卫星遥感拍摄的一些地面小目标、港口摄像头拍摄的远处驶向港口的船只,监控摄像头拍摄的车辆牌照数字等小尺寸目标。因此,对小目标进行精确识别对于分析和处理这些图像数据显得非常重要,并且在医疗图像分析、视频监控与跟踪、自动驾驶等领域也有着非常重要的价值。较小尺寸的目标相比常规尺寸的目标,只有几个或者几十个像素,并且存在分辨率低,携带的图像信息很少等问题,导致小目标的特征表达能力弱,识别起来更加困难。可以先对图像进行超分辨率预处理,提升目标的像素分辨率尺寸,然后再进行目标识别。
[0003]图像超分辨率重建是指将低分辨率图像转为超分辨率图像的一种图像复原技术。在现实生活中,图像超分辨率重建不仅能帮助提升图像感知质量,也可以作为前置的预处理步骤,有助于改善其它的计算机视觉任务。但是超分辨率重建处理并不能完全恢复出物体清晰的边缘和表面的纹理,会附带有一定程度的模糊,也会对后续的目标识别任务产生一定的干扰。
[0004]近几年深度学习发展迅猛,国内外经历了目标识别的研究热潮,目标识别的输入是一张目标图像,输出该目标所对应的类别。但是对于经历了超分辨率重建的目标图像而言,重建后图像会存在一 ...
【技术保护点】
【技术特征摘要】
1.一种面向小目标超分辨重建图像的目标识别模型构建方法,其特征在于,包括:采用小目标真实高分辨率图像,训练包括特征提取网络和识别分类网络的识别网络模型;并将已训练的特征提取网络的参数迁移至与该特征提取网络结构相同的生成器和特征提取参考网络,将已训练的识别分类网络的参数迁移至与该识别分类网络结构相同的分类器,所述生成器与所述分类器构成目标识别模型,所述特征提取参考网络和所述判别器构成辅助训练网络;采用所述辅助训练网络辅助训练已参数迁移后的所述目标识别模型,其中,所述生成器的输入为超分辨率重建图像和真实高分辨率图像,所述特征提取参考网络的输入为真实高分辨率图像,所述判别器的输入为所述生成器和所述特征提取参考网络的输出,输出为相应输入属于真实高分辨率图像的概率,所述分类器的输入为所述生成器的输出;在迭代训练过程中,固定所述特征提取参考网络的参数,根据损失函数交替更新所述生成器和所述分类器的参数以及所述判别器的参数,完成目标识别模型的构建。2.根据权利要求1所述的一种面向小目标超分辨重建图像的目标识别模型构建方法,其特征在于,将ResNet50网络结构划分成两部分,构建包括特征提取网络和识别分类网络的所述识别网络模型。3.根据权利要求1所述的一种面向小目标超分辨重建图像的目标识别模型构建方法,其特征在于,所述损失函数包括:用于更新所述生成器和所述分类器参数的损失函数L
comb
=10L
cls
+L
adv
+200L
FM
,以及用于更新所述判别器的参数的判别器损失函数;其中,L
cls
表示分类损失,L
adv
表示对抗损失,L
FM
表示特征匹配损失。4.根据权利要求3所述的一种面向小目标超分辨重建图像的目标识别模型构建方法,其特征在于,采用所述生成器输出的特征图和所述特征提取参考网络输出的特征图,计算所述特征匹配损失L
FM
,使得所述生成器输出的特征图尽可能靠近所述特征提取参考网络输出的特征图,学习超分辨率重建图像和真实高分辨率图像之间的模糊不变特征。5.根据权利要求4所述的一种面向小目标超分辨重建图像的目标识别模型构建方法,其特征在于,所述特征匹配损失L
FM
为所述生成器输出的特征图和所述特征提取参考网络输出的特征图之间的smooth L1损失,表示为:式中,x,y分别表示真实高分辨率图像和超分辨率重建图像;P
data(x,y)
表示x,y数据的概率分布;表示x,y数据分布情况下,方括号内函数表达式的期望;G、D和Ref分别表示生成器net
G
、判别器net
D
和特征提取参考网络net
ref
;net
G
(y)表示当输入为y时生成器net
G
的输出;net
ref
(x)表示当输入为x时特征提取参考网络net
ref
的输出。6.根据权利要求3所述的一种面向小目标超分辨重建图像的目标识别模型构建方法,
其特征在于,所述分类损失L
cls
为交叉熵损失,为交叉熵损失,其中,N是总类别数量,t
i
是二元分类标...
【专利技术属性】
技术研发人员:胡静,陈柏烁,张睿,章正,张宏志,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。