基于特征图信息和负样本训练的小目标检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于特征图信息和负样本训练的小目标检测方法及装置

【技术实现步骤摘要】
基于特征图信息和负样本训练的小目标检测方法及装置


[0001]本专利技术涉及计算机
，具体而言，涉及一种基于特征图信息和负样本训练的小目标检测方法及装置
。

技术介绍

[0002]基于车载边缘端部署
AI
检测系统，现有的方法主要是直接使用一阶段目标检测网络（如
yolov5、faster
‑
rcnn
等）对问题图片进行标注训练再到部署检测
。
后续通过累积训练样本来提高模型检测能力
。
[0003]当前针对移动边缘设备部署
AI
检测系统的方法主要通过直接使用开源的一阶段目标检测模型（如
yolov5、faster
‑
rcnn
等），具体步骤为1：收集标注训练样本，2：训练模型，3：模型量化，4：模型部署，5：收集图片标注优化
。
该方法存在一些问题，
1、
由于使用车载边缘端设备，所以自身计算资源有限不利于使用大模型推理，
2、
配置摄像头分辨率一般不高（低于
2k
），
3、
存在移动速度会造成目标虚化丢失一定的形态特征，
4、
小目标相对于大目标本身更容易丢失和误检
。
多种因素下直接导致小目标物体的检测能力大大下降，漏检和误检同时存在，对于小目标场景使用限制较大
。

技术实现思路

[0004]本专利技术的目的在于提供了一种基于特征图信息和负样本训练的小目标检测方法及装置，用以解决现有技术中存在的上述问题
。
[0005]第一方面，本专利技术实施例提供了一种基于特征图信息和负样本训练的小目标检测方法，包括：获得待检测图像；所述待检测图像为经过预处理后的高清摄像头拍摄的待检测的图像；所述待检测图像为
640x640
尺寸的图像；将所述待检测图像，通过特征提取结构，进行5次下采样，得到第一
320x320
特征图
、
第一
160x160
特征图
、
第一
80x80
特征图
、
第一
40x40
特征图和第一
20x20
特征图；基于第一
160x160
特征图
、
第一
80x80
特征图
、
第一
40x40
特征图和所述第一
20x20
特征图，通过已修改特征融合结构的特征金字塔网络结构，得到第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图；基于所述第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图，通过已修改特征融合结构的路径聚合网络结构，得到第三
80x80
特征图和第三
40x40
特征图；基于所述第二
160x160
特征图
、
第三
80x80
特征图和第三
40x40
特征图，通过头颈网络，进行卷积预测，得到小目标输出特征图
、
中目标输出特征图和大目标输出特征图；将所述小目标输出特征图
、
中目标输出特征图和大目标输出特征图分别进行解码，得到多个检测目标位置；所述检测目标位置包括大检测目标位置
、
中检测目标位置和小检测目标位置；所述特征提取结构
、
已修改特征融合结构的特征金字塔网络结构
、
已修改特征融
合结构的路径聚合网络结构和头颈网络构成车载边缘段小目标检测网络
。
[0006]可选的，所述基于第一
160x160
特征图
、
第一
80x80
特征图
、
第一
40x40
特征图和所述第一
20x20
特征图，通过已修改特征融合结构的特征金字塔网络结构，得到第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图，包括：将所述第一
20x20
特征图进行第一次上采样，再与第一
40x40
特征图进行特征融合，得到第二
40x40
特征图；将第二
40x40
特征图进行上采样，再与第一
80x80
特征图进行特征融合，得到第二
80x80
特征图；将第二
80x80
特征图进行上采样，再与第一
160x160
特征图进行特征融合，得到第二
160x160
特征图
。
[0007]可选的，所述基于所述第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图，通过已修改特征融合结构的路径聚合网络结构，得到第三
80x80
特征图和第三
40x40
特征图，包括：将第二
160x160
特征图进行第一次下采样，再与第二
80x80
特征图进行融合，得到第三
80x80
特征图；将第三
80x80
特征图进行第二次下采样，再与第二
40x40
特征图进行融合，得到第三
40x40
特征图
。
[0008]可选的，所述基于所述第二
160x160
特征图
、
第三
80x80
特征图和第三
40x40
特征图，通过卷积进行预测，得到小目标输出特征图
、
中目标输出特征图和大目标输出特征图，包括：将所述第二
160x160
特征图通过卷积进行预测，得到小目标输出特征图；将所述第三
80x80
特征图通过卷积进行预测，得到中目标输出特征图；将所述第三
40x40
特征图通过卷积进行预测，得到大目标输出特征图
。
[0009]可选的，所述将所述小目标输出特征图
、
中目标输出特征图和大目标输出特征图分别进行解码，得到检测目标位置，包括：获得小目标锚点
、
中目标锚点和大目标锚点；所述小目标锚点
、
中目标锚点和大目标锚点为预设的目标的边界框；所述大目标锚点的面积大于中目标锚点的面积大于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于特征图信息和负样本训练的小目标检测方法，其特征在于，包括：获得待检测图像；所述待检测图像为经过预处理后的高清摄像头拍摄的待检测的图像；所述待检测图像为
640x640
尺寸的图像；将所述待检测图像，通过特征提取结构，进行5次下采样，得到第一
320x320
特征图
、
第一
160x160
特征图
、
第一
80x80
特征图
、
第一
40x40
特征图和第一
20x20
特征图；基于第一
160x160
特征图
、
第一
80x80
特征图
、
第一
40x40
特征图和所述第一
20x20
特征图，通过已修改特征融合结构的特征金字塔网络结构，得到第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图；基于所述第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图，通过已修改特征融合结构的路径聚合网络结构，得到第三
80x80
特征图和第三
40x40
特征图；基于所述第二
160x160
特征图
、
第三
80x80
特征图和第三
40x40
特征图，通过头颈网络，进行卷积预测，得到小目标输出特征图
、
中目标输出特征图和大目标输出特征图；将所述小目标输出特征图
、
中目标输出特征图和大目标输出特征图分别进行解码，得到多个检测目标位置；所述检测目标位置包括大检测目标位置
、
中检测目标位置和小检测目标位置；所述特征提取结构
、
已修改特征融合结构的特征金字塔网络结构
、
已修改特征融合结构的路径聚合网络结构和头颈网络构成车载边缘段小目标检测网络
。2.
根据权利要求1所述的基于特征图信息和负样本训练的小目标检测方法，其特征在于，所述基于第一
160x160
特征图
、
第一
80x80
特征图
、
第一
40x40
特征图和所述第一
20x20
特征图，通过已修改特征融合结构的特征金字塔网络结构，得到第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图，包括：将所述第一
20x20
特征图进行第一次上采样，再与第一
40x40
特征图进行特征融合，得到第二
40x40
特征图；将第二
40x40
特征图进行上采样，再与第一
80x80
特征图进行特征融合，得到第二
80x80
特征图；将第二
80x80
特征图进行上采样，再与第一
160x160
特征图进行特征融合，得到第二
160x160
特征图
。3.
根据权利要求1所述的基于特征图信息和负样本训练的小目标检测方法，其特征在于，所述基于所述第二
160x160
特征图
、
第二
80x80
特征图
、
第二
40x40
特征图，通过已修改特征融合结构的路径聚合网络结构，得到第三
80x80
特征图和第三
40x40
特征图，包括：将第二
160x160
特征图进行第一次下采样，再与第二
80x80
特征图进行融合，得到第三
80x80
特征图；将第三
80x80
特征图进行第二次下采样，再与第二
40x40
特征图进行融合，得到第三
40x40
特征图
。4.
根据权利要求1所述的基于特征图信息和负样本训练的小目标检测方法，其特征在于，所述基于所述第二
160x160
特征图
、
第三
80x80
特征图和第三
40x40
特征图，通过卷积进行预测，得到小目标...

【专利技术属性】
技术研发人员：代辉，薛晓轩，鲜斌，
申请(专利权)人：成都合能创越软件有限公司，
类型：发明
国别省市：