【技术实现步骤摘要】
本专利技术涉及计算机视觉，特别涉及一种基于强特征提取和批处理维度的航空图像小目标检测方法及系统。
技术介绍
1、在计算机视觉领域，目标检测技术扮演着至关重要的角色，涉及安防监控、自动驾驶、医疗影像分析、无人机航拍等多个领域。尽管目标检测技术在大多数情况下表现良好，但面对小而密集分布的物体时，如航空图像中的鸟类或其他小型物体，其准确检测仍然是一个具有挑战性的问题。
2、cn116012734a公开了一种基于深度学习的航拍图像小目标检测方法，包括以下步骤：步骤1：对输入模型的训练数据进行预处理；步骤2：对预处理后的数据进行数据增强，即随机裁剪、随机排列、随机缩放、加入马赛克后组合成一张图片；步骤3：将增强后的数据输入基于大卷积核设计的骨干网络，并训练模型参数直至损失函数不再下降，所述骨干网络由若干个模块组成：模块1：stem模块，由两组普通卷积和深度可分离卷积组成，使用stem模块进行下采样，获取粗粒度的特征和空间通道特征；模块2：包含3个stage，第i个stage，i＝1,2,3，包含若干个block与transition的组合，每个block使用大卷积核的卷积进行计算，每个transition用来下采样并调整通道数；将特征输入stage中，每个stage中包含了使用大卷积核设计的卷积块和用来调整通道数与降采样的过渡块，在卷积块中的大卷积核模块replkblock使用的大卷积核尺寸最大为27；模块3：sppcspc模块，对模块2的输出进行池化；步骤4：训练结束后使用结构重参数化方法将小卷积核的卷积层与bn层进行重参数
3、cn113688798a公开了一种基于超高清图像的识别方法，所述方法包括：确定n个局部图像；其中，所述n个局部图像至少包括存在重合区域的两个相邻的局部图像，n是大于1的正整数；识别每个局部图像中的对象，确定每个对象在所属的局部图像中的初始检测框；其中，所述对象是一个完整的目标或者是目标的一部分；确定每个初始检测框是待合并检测框或独立检测框；根据同一目标对应的所有待合并检测框，确定包含所述同一目标的合并检测框；根据所述合并检测框和所述独立检测框确定全局图像的识别结果；其中，所述全局图像是所述至少两个局部图像的组成图。
4、cn116994116a公开了一种基于自注意力模型与yolo v5的目标检测方法及系统，包括：s100，选取小目标检测图像采集范围，通过高空全域高清摄像及低空区域快速摄像，获取高空全域高清图像及多幅低空区域图像；s200，对高空全域高清图像进行分割，通过transformer模型进行特征增强，获取高清图像分割图像增强特征和多幅低空区域图像增强特征；s300，根据高清图像分割图像增强特征和多幅低空区域图像增强特征，通过yolov5模型预测，获取分割图像小目标检测数据和区域图像小目标检测数据；s400，将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果；对多幅低空区域图像进行图像叠合及缩放，获取区域图像叠合图像检测结果；对图像检测结果进行互验对比，获取小目标检测全域互验精准检测结果。
5、cn111626990b公开了一种目标检测框处理方法装置及电子设备，包括：获取在多个初始视频帧中检测得到的目标检测框，所述目标检测框用以标识视频帧中检测到的一个或多个目标对象；对所有获取到的目标检测框按照预设的策略执行初始化操作，使每个目标检测框处于初始状态、候选状态及稳定状态中的一种状态；其中，所述初始状态表征检测到的目标检测框的状态；所述候选状态表征不确定是否稳定的目标检测框的状态；所述稳定状态表征确定的处于平滑状态的目标检测框的状态；将新视频帧上检测到的目标检测框设置为初始状态，基于在新视频帧中检测到的处于初始状态的目标检测框，对已经检测到的处于候选状态和稳定状态的目标检测框执行更新操作；基于已经检测到的处于候选状态和稳定状态的目标检测框的更新结果，确定所述新视频帧上最终输出的目标检测框；其中，所述基于在新视频帧中检测到的处于初始状态的目标检测框，对已经检测到的处于候选状态和稳定状态的目标检测框执行更新操作，包括：响应于确定新视频帧中检测到的处于初始状态的目标检测框与已经检测到的处于稳定状态或候选状态的目标检测框类别相同且满足预设的重合度，对新视频帧中检测到的处于初始状态的目标检测框与相应的已经检测到的处于稳定状态或候选状态的目标检测框执行加权平均操作，得到相应的更新后的目标检测框。
6、航空图像往往包含复杂的背景，如城市建筑、树木、水域等，背景元素与目标物体之间的对比度和纹理变化差异很大，容易干扰目标检测算法的准确性。
技术实现思路
1、经过长期实践发现，在传统模型中，标准卷积核的固定几何结构和采样点限制了模型在处理小物体特征时的效果，特别是cnn模型通常是从设定区域提取特征，这种做法降低了模型适应小物体的有效性。因此，针对航空图像中小而密集分布的物体，传统模型的泛化能力和适应性显得不足等技术问题。
2、有鉴于此，本专利技术提供了一种基于强特征提取和批处理维度的航空图像小目标检测方法，包括，
3、步骤s1，在resnet50网络模型中的c1和c2层依次连接可变形多尺度通道注意力网络中的第1层、第2层和注意力机制层，将可变形多尺度通道注意力网络中的第1层、第2层分别作为c3层和c4层，构建得到第一检测模型；
4、步骤s2，将图像数据输入所述第一检测模型，经过所述第一检测模型中的c2层和c3层后，通过第一卷积过程得到第一层特征图和第二层特征图；
5、步骤s3，将所述注意力机制层的输出分别通过第一卷积过程和第二卷积过程，得到第三层特征图和第四层特征图；
6、步骤s4，将第一层特征图、第二层特征图、第三层特征图和第四层特征图构成多尺度特征图，输入batchencoder块，得到第一数据序列；
7、步骤s5，将所述第一数据序列输入deformable decoder得到第二数据序列；
8、步骤s6，将所述第二数据序列分别输入多个ffn层，其中，不同的ffn层针对的小目标检测类型不同。
9、优选地，可变形多尺度通道注意力网络的第1层、第2层中，采用可变形卷积网络用于图像采样位置的可学习偏移。
10、优选地，针对输入图像数据x，采用可变形卷积网络后得到特征图y上的每个位置p0，
11、
12、其中，pn表示采样场内的位置，δpn表示每个采样点的偏移位置，w(pn)是分配给每个位置的权重，采样域为r。
13、优选地，在可变形卷积网络中，采用权重系数δmk，得到特征图y上的每个位置p0，
14、
15、其中，δmk取值范围为(0，1)。
16、优选地，在可变形卷积网络中，采用双线性插值来计算调整位置后特征图y的特征值。
17、优选地，所述可变形多尺度通道注意力网络包括多尺度通道注意力模块本文档来自技高网...
【技术保护点】
1.一种基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，所述基于强特征提取和批处理维度的航空图像小目标检测方法包括，
2.根据权利要求1所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，可变形多尺度通道注意力网络的第1层、第2层中，采用可变形卷积网络用于图像采样位置的可学习偏移。
3.根据权利要求2所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，针对输入图像数据x，采用可变形卷积网络后得到特征图y上的每个位置p0，
4.根据权利要求3所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，在可变形卷积网络中，采用权重系数Δmk，得到特征图y上的每个位置p0，
5.根据权利要求3或4任意一项所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，在可变形卷积网络中，采用双线性插值来计算调整位置后特征图y的特征值。
6.根据权利要求1或2、3或4任意一项所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，所述可变形多尺度通
7.根据权利要求6所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，所述第一卷积过程包括1×1卷积，所述第二卷积过程包括3×3卷积。
8.一种用于执行权利要求1-7任意一项所述的基于强特征提取和批处理维度的航空图像小目标检测方法的系统，其特征在于，所述系统包括，
9.一种电子设备，其特征在于，至少一个处理器；以及
10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行如权利要求1-7中任意一项所述的基于强特征提取和批处理维度的航空图像小目标检测方法。
...【技术特征摘要】
1.一种基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，所述基于强特征提取和批处理维度的航空图像小目标检测方法包括，
2.根据权利要求1所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，可变形多尺度通道注意力网络的第1层、第2层中，采用可变形卷积网络用于图像采样位置的可学习偏移。
3.根据权利要求2所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，针对输入图像数据x，采用可变形卷积网络后得到特征图y上的每个位置p0，
4.根据权利要求3所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，在可变形卷积网络中，采用权重系数δmk，得到特征图y上的每个位置p0，
5.根据权利要求3或4任意一项所述的基于强特征提取和批处理维度的航空图像小目标检测方法，其特征在于，在可变形卷积...
【专利技术属性】
技术研发人员：王迪，王英龙，郭莹，张虎，曹丙南，李娜，葛菁，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
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。