【技术实现步骤摘要】
本专利技术涉及无人机航拍图像处理，具体涉及一种用于无人机航拍图像的多尺度特征融合小目标检测算法。
技术介绍
1、在无人机航拍图像的目标检测领域，由于图像特有的挑战，如小物体的高密度分布、显著的尺度变化，以及复杂的环境因素，使得传统的目标检测方法难以有效应用，这些挑战对无人机图像中的目标检测精度和效率提出了更高的要求。传统的人工特征提取方法依赖于人工设计的特征描述子，缺乏对复杂场景的适应能力，无法捕捉到图像中多尺度下物体的细节信息，因此在无人机航拍图像目标检测中表现不佳。
2、随着深度学习技术的快速发展，基于深度学习的目标检测算法逐渐取代了传统方法，成为主流。这些算法利用深度神经网络强大的特征学习能力，能够自动学习到更加丰富和有效的特征表示，从而在处理无人机图像中小物体检测、尺度变化大的物体检测等问题上展现出了显著的优势。
3、现有的基于深度学习的目标检测算法在处理无人机图像中的小物体检测时面临着巨大的挑战，一方面，由于无人机飞行距地面较高，拍摄视野广阔，无人机图像中通常包含有大量微小的物体，并且呈现出密集分布的特点。另一方面，由于无人机俯视的拍摄视角，使得图像中近处的物体尺寸较大，远处的物体尺寸较小，物体的尺度变化较大。
技术实现思路
1、为解决上述问题，本专利技术提供一种用于无人机航拍图像的多尺度特征融合小目标检测算法，用于提高无人机图像中小目标检测精度和效率。
2、为了实现上述目的，本专利技术的技术方案如下：一种用于无人机航拍图像的多尺度特征
3、s1：修改检测头尺度，以捕捉图像中的小尺寸目标；
4、s2：基于msfem，提取从细粒度到高层次的多尺度特征信息；
5、s3：基于bdfpn，增强特征层间的信息流动，将从浅层到深层的特征充分利用。
6、进一步，修改检测头尺度，包括：新增微小物体检测头，提高算法对微小物体的感知能力和检测性能；并删除大物体检测头，降低模型的参数量。
7、进一步，msfem包括四个特征提取分支，由主分支和残差分支组成；主分支上包含有卷积核大小分别为1×1、3×3和5×5的卷积模块；残差分支上包含有一个卷积核大小为1×1的卷积模块；卷积模块由卷积层、批归一化和silu激活函数组成。
8、进一步，msfem的特征提取过程包括：
9、设定输入的特征图尺寸为h×w×c；
10、在主分支中，首先进行1×1的卷积操作，保持特征图尺寸不变；
11、主分支分为三个卷积分支，第一个卷积分支使用卷积核大小为1×1的卷积模块对特征图进行特征提取；第二个卷积分支先使用卷积核大小为3×3卷积模块，接着再使用卷积核大小为1×1卷积模块对特征图进行特征提取；第三个卷积分支先使用卷积核大小为5×5卷积模块，接着再使用卷积核大小为1×1卷积模块对特征图进行特征提取；
12、将三个卷积分支在通道维度进行拼接，并使用卷积核大小为1×1卷积模块对通道数进行降维，使特征图的尺寸变为h×w×c。
13、进一步，msfem的特征提取过程还包括：
14、在残差分支中，使用了一个卷积核大小为1×1卷积模块对特征图进行特征提取，输出的特征图的尺寸为h×w×c；
15、将主分支和残差分支输出的特征图在通道维度上进行拼接，得到的特征图尺寸为h×w×2c；
16、再使用卷积核大小为1×1的卷积模块进行降维，得到msfem的输出特征图。
17、进一步，bdfpn通过如下步骤构建：
18、扩大特征金字塔网络的规模，加强了对特征信息的融合；
19、引入跳跃连接，确保增强特征信息融合，并有效传递特征信息。
20、采用上述方案有以下有益效果：
21、1、本专利技术，采用多种数据扩充技术如随机裁剪、旋转和色彩抖动等，提高模型对于不同尺度、不同背景的物体检测能力，增加模型的泛化性。
22、在多尺度特征提取方面，基于多尺度特征提取模块(msfem)，通过不同尺度的卷积操作，有效地捕获丰富且有价值的多尺度特征信息，避免了在特征图下采样过程中的信息损失。为了有效融合浅层特征图的细粒度信息和深层特征图的语义信息，基于双向密集特征金字塔网络(bdfpn)，通过扩大网络规模和引入跳跃连接，bdfpn能够实现充分的多尺度信息融合，提高算法的多尺度表达能力。
23、2、本专利技术，通过设计多尺度特征提取模块(msfem)，有效提取了从细粒度到高层次的多尺度特征信息，增强了模型对于不同尺寸目标的适应能力。引入了微小物体检测头，专门用于捕捉图像中的小尺寸目标，同时显著减少了模型的参数量，提高了检测效率。通过设计双向密集特征金字塔网络(bdfpn)，增强特征层间的信息流动，确保了从浅层到深层的特征都能被充分利用。本专利技术的算法在无人机航拍图像的小目标检测任务中表现出色，同时也展示了良好的泛化能力和实用性。
24、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，修改检测头尺度，包括：新增微小物体检测头，提高算法对微小物体的感知能力和检测性能；并删除大物体检测头，降低模型的参数量。
3.根据权利要求1所述的用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，MSFEM包括四个特征提取分支，由主分支和残差分支组成；主分支上包含有卷积核大小分别为1×1、3×3和5×5的卷积模块；残差分支上包含有一个卷积核大小为1×1的卷积模块；卷积模块由卷积层、批归一化和SiLU激活函数组成。
4.根据权利要求3所述的用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，MSFEM的特征提取过程包括：
5.根据权利要求4所述的用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，MSFEM的特征提取过程还包括：
6.根据权利要求1所述的用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，BDFP
...【技术特征摘要】
1.一种用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，包括如下步骤：
2.根据权利要求1所述的用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，修改检测头尺度，包括：新增微小物体检测头，提高算法对微小物体的感知能力和检测性能；并删除大物体检测头，降低模型的参数量。
3.根据权利要求1所述的用于无人机航拍图像的多尺度特征融合小目标检测算法，其特征在于，msfem包括四个特征提取分支，由主分支和残差分支组成；主分支上包含有卷积核大小分别为1×1、3×3和5...
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。