一种面向小目标的自适应尺寸感知聚焦方法及电子设备技术

本发明专利技术公开了一种面向小目标的自适应尺寸感知聚焦方法及电子设备，该方法包括：获取包含小目标的待检测图像；采用训练完备的目标检测网络对待检测图像进行检测，得到小目标在待检测图像中的位置和类别；其中，训练完备的目标检测网络采用自适应小目标聚焦权重函数和多个训练样本进行训练得到；自适应小目标聚焦权重函数包含训练样本的自适应权重，每个训练样本的自适应权重基于该训练样本所在的训练批次中的所有训练样本的数据确定

【技术实现步骤摘要】
一种面向小目标的自适应尺寸感知聚焦方法及电子设备


[0001]本专利技术属于机器学习
，具体涉及一种面向小目标的自适应尺寸感知聚焦方法及电子设备
。

技术介绍

[0002]目标检测是计算机视觉领域的一个重要任务，旨在自动识别图像或视频中的特定对象，并准确地将其位置标记出来
。
传统目标检测方法虽然取得了显著的成果，但是在实际应用中，面临着计算复杂度高
、
模型体积大
、
运行速度慢等问题，尤其是在移动设备
、
嵌入式系统或资源有限的场景下，其性能和效率受到限制，尤其是小目标检测任务时，面临着诸多挑战
。
小目标通常指在图像中占据很小像素区域的目标，其特点包括目标模糊
、
低分辨率
、
与背景相似度高和目标数量稀少等
。
[0003]然而，传统目标检测算法在小目标上表现较差，因为它们往往对大目标优化，而忽视了小目标的特点
。

技术实现思路

[0004]为了解决相关技术中存在的上述问题，本专利技术提供了一种面向小目标的自适应尺寸感知聚焦方法及电子设备
。
本专利技术要解决的技术问题通过以下技术方案实现：
[0005]本专利技术提供一种面向小目标的自适应尺寸感知聚焦方法，包括：
[0006]获取包含小目标的待检测图像；
[0007]采用训练完备的目标检测网络对所述待检测图像进行检测，得到所述小目标在所述待检测图像中的位置和类别；其中，所述训练完备的目标检测网络采用自适应小目标聚焦权重函数和多个训练样本进行训练得到；所述自适应小目标聚焦权重函数包含训练样本的自适应权重，每个训练样本的自适应权重基于所述训练样本所在的训练批次中的所有训练样本的数据确定
。
[0008]在一些实施例中，每个训练样本中包含真实框；所述真实框用于表征所述训练样本中包含的目标的位置，每个训练样本的自适应权重是根据第一预设值
、
第二预设值
、
第三预设值
、
所述训练样本包含的真实框的面积，以及所述训练样本所在的训练批次的所有训练样本中的最大真实框的面积和最小真实框的面积确定的
。
[0009]在一些实施例中，每个训练样本中包含真实框；确定训练样本
A
的自适应权重的方法包括：
[0010]根据第一预设值
、
所述训练样本
A
所在的训练批次的所有训练样本中的最大真实框的面积和最小真实框的面积，确定第一系数；
[0011]根据第二预设值
、
第三预设值
、
所述最大真实框的面积和所述最小真实框的面积，确定第二系数；
[0012]确定所述训练样本
A
中包含的真实框的面积与所述最小真实框的面积之间的差值；
[0013]根据
arctan
函数
、
所述第一系数
、
所述第二系数，以及所述差值，确定所述训练样本
A
的自适应权重
。
[0014]在一些实施例中，所述第一系数的表达式为：
[0015]β
＝
X1/(area_gt
max
‑
area_gt
min
)
；
[0016]其中，
β
表示所述第一系数，
X1
表示所述第一预设值，
area_gt
max
表示所述最大真实框的面积，
area_gt
min
表示所述最小真实框的面积
。
[0017]在一些实施例中，所述第二系数的表达式为：
[0018]α
＝
(1
‑
(area_gt
min
/area_gt
max
)
X2
)
X3
；
[0019]其中，
α
表示所述第二系数，
X2
表示所述第二预设值，
X3
表示所述第三预设值
。
[0020]在一些实施例中，所述训练样本
A
的自适应权重的表达式为：
[0021]ω
＝
1+
α
(1
‑
arctan(
β
(x
‑
area_gt
min
)))
；
[0022]其中，
ω
表示所述训练样本
A
的自适应权重，
arctan()
表示所述
arctan
函数，
x
表示所述训练样本
A
中包含的真实框的面积，
β
表示所述第一系数，
α
表示所述第二系数，
area_gt
min
表示所述最小真实框的面积
。
[0023]在一些实施例中，所述自适应小目标聚焦权重函数的表达式为：
[0024]L
AFS
＝
ω
×
L
IoU
；
[0025]其中，
L
AFS
表示所述自适应小目标聚焦权重函数，所述
L
IoU
表示
IoU
损失函数
。
[0026]在一些实施例中，
X1
＝
6.228
，
X2
＝
1/2
，
X3
＝
2。
[0027]在一些实施例中，在所述采用训练完备的目标检测网络对所述待检测图像进行检测，得到所述小目标在所述待检测图像中的位置和类别之前，所述方法还包括：
[0028]获取所述多个训练样本；其中，每个训练样本包含真实框和所述真实框对应的目标的真实类别；
[0029]在训练过程中，根据每个训练批次中的所有训练样本，以及所述自适应小目标聚焦权重函数，对初始的目标检测网络进行训练，直至得到所述训练完备的目标检测网络
。
[0030]本专利技术还提供一种电子设备，包括处理器
、
通信接口
、
存储器和通信总线，其特征在于，所述处理器
、
所述通信接口和所述存储器通过所述通信总线完成相互间的通信；
[0031]所述存储器，用于存放计算机程序；
[0032]所述处理器，用于执行存储器上所存放的程序时，实现面向小目标的自适应尺寸感知聚焦方法的步骤
。
[0033]本专利技术具有如下有益技术效果：
[0034]本专利技术在不增加过多计算量的情况下，通过引入自适应小目标聚焦机制，在每个训练批本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向小目标的自适应尺寸感知聚焦方法，其特征在于，包括：获取包含小目标的待检测图像；采用训练完备的目标检测网络对所述待检测图像进行检测，得到所述小目标在所述待检测图像中的位置和类别；其中，所述训练完备的目标检测网络采用自适应小目标聚焦权重函数和多个训练样本进行训练得到；所述自适应小目标聚焦权重函数包含训练样本的自适应权重，每个训练样本的自适应权重基于所述训练样本所在的训练批次中的所有训练样本的数据确定
。2.
根据权利要求1所述的面向小目标的自适应尺寸感知聚焦方法，其特征在于，每个训练样本中包含真实框，所述真实框用于表征所述训练样本中包含的目标的位置；每个训练样本的自适应权重是根据第一预设值
、
第二预设值
、
第三预设值
、
所述训练样本包含的真实框的面积，以及所述训练样本所在的训练批次的所有训练样本中的最大真实框的面积和最小真实框的面积确定的
。3.
根据权利要求1所述的面向小目标的自适应尺寸感知聚焦方法，其特征在于，每个训练样本中包含真实框；确定训练样本
A
的自适应权重的方法包括：根据第一预设值
、
所述训练样本
A
所在的训练批次的所有训练样本中的最大真实框的面积和最小真实框的面积，确定第一系数；根据第二预设值
、
第三预设值
、
所述最大真实框的面积和所述最小真实框的面积，确定第二系数；确定所述训练样本
A
中包含的真实框的面积与所述最小真实框的面积之间的差值；根据
arctan
函数
、
所述第一系数
、
所述第二系数，以及所述差值，确定所述训练样本
A
的自适应权重
。4.
根据权利要求3所述的面向小目标的自适应尺寸感知聚焦方法，其特征在于，所述第一系数的表达式为：
β
＝
X1/(area_gt
max
‑
area_gt
min
)
；其中，
β
表示所述第一系数，
X1
表示所述第一预设值，
area_gt
max
表示所述最大真实框的面积，
area_gt
min
表示所述最小真实框的面积
。5.
根据权利要求4所述的面向小目标的自适应尺寸感知聚焦方法，其特征在于，所述第二系数的表达式为：
α
＝
(1
‑
(area_gt
min
/area_gt
max
)
X2
)
X3
；其中，
...

【专利技术属性】
技术研发人员：赖睿，刘博成，石汉钦，沈扬，
申请(专利权)人：西安电子科技大学重庆集成电路创新研究院，
类型：发明
国别省市：