【技术实现步骤摘要】
本专利技术涉及图像检测，更具体的说是涉及一种基于动态任务对齐的海上小目标检测方法及系统。
技术介绍
1、海上恶劣环境及复杂多变气象对海上搜救目标的特征感知、成像质量、识别效率提出了极大挑战：海上环境复杂多变，目标物易受风浪、雾气、逆光等影响；海上视野开阔，搜寻范围较大，对于小目标识别的准确率和时效性要求更高传统目标检测算法难以捕获到小目标特征信息，也更容易受到噪声影响，导致小目标识别困难。
2、因此，如何进行海上小目标特征信息的快速捕获是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于动态任务对齐的海上小目标检测方法及系统，能够对海上小目标特征信息实现快速捕获。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于动态任务对齐的海上小目标检测方法，包括：
4、获取初始特征图，对yolov8检测模型的卷积通道基于卷积核进行切割分组，获取特征提取单元；
5、通过所述特征提取单元对所述初始特征图进行处理得到深层特征图，利用共享卷积提取所述深层特征图的深层特征，将所述深层特征与初始特征图相结合得到联合特征；
6、将联合特征送入任务对齐检测头中进行任务分解，获取分类预测图以及回归预测图；
7、将所述分类预测图以及回归预测图进行预测框对齐操作，基于所述分类预测图获取初始特征图的落水目标类型，基于所述回归预测图获取初始特征图的落水目标位置。
8、优选的，
9、
10、其中，f为yolov8检测模型的骨干网络中经过特征融合提取出来的特征层p3、p4、p5；与为两个共享卷积，采用了3×3的卷积核；funion为经过残差连接得到的联合特征。
11、优选的，所述分类预测图以及回归预测图通过回归分支、分类分支与任务分解模块获取，所述回归分支为生成器，通过所述生成器生成可变形卷积v2对应的mask与offset；所述分类分支先后使用卷积核1x1大小的卷积层和卷积核3x3大小的卷积层进行卷积，在两次卷积后分别使用relu激活函数与sigmoid激活函数获取特征图d；所述任务分解模块将联合特征分解成为预测图a以及预测图b，根据可变形卷积v2对应的mask与offset和预测图a获取回归预测图，根据特征图d和预测图b获取回归预测图。
12、优选的，所述生成可变形卷积对应的mask与offset具体包括：
13、cm＝g(funion)；
14、co＝g(funion)；
15、其中，cm为mask，co为offset，g为生成器。
16、优选的，所述获取特征图d具体包括：
17、d＝σ(conv2(δ(conv1(funion))))；
18、其中d为经过分类分支提取的特征图d，conv1使用大小为1×1的卷积核，δ为relu激活函数，conv2使用大小为3×3卷积核，σ为sigmoid激活函数。
19、优选的，所述任务分解模块具体包括：通过pytorch中的自适应平均池化方法，将联合特征池化为1×1大小的平均池化特征favg，同时保持特征图的深度不变，然后通过层注意力模块的两个1×1卷积conv3和conv4，分别再连接relu和sigmoid激活函数，得到层注意力权重l；之后计算加权的卷积核，通过重塑将层注意力权重和卷积核的初始权重wconv相结合得到新的卷积权重w；同时输入特征funion也被重塑以匹配加权卷积核的维度，最后进行批归一化矩阵乘法操作，将加权卷积核和输入特征相乘，得到的结果通过分组归一化和激活函数处理，最终输出处理后的预测特征图fp。
20、优选的，所述最终输出处理后的预测特征图fp具体包括：
21、l＝σ(conv2(δ(conv1(pavg(funion)))))；
22、w＝l×wconv；
23、fp＝s(gn(w×funion))；
24、其中，conv3和conv4都为卷积核大小为1×1的卷积层，δ为relu激活函数，σ为sigmoid激活函数，pavg为自适应平均池化层，l表示层注意力权重，l为前项公式中计算得到的层注意力权重，wconv为卷积权重，funion为模块初始输入的联合特征，w为前项公式计算得到的新卷积权重，gn为分组归一化处理，s代表silu激活函数，fp为预测特征图，将所述预测特征图fp分别作为预测图a以及预测图b。
25、一种基于动态任务对齐的海上小目标检测系统，包括：
26、多尺度分组卷积模块，获取初始特征图，对yolov8检测模型的卷积通道基于卷积核进行切割分组，获取特征提取单元；
27、特征提取模块，通过所述特征提取单元对所述初始特征图进行处理得到深层特征图，利用共享卷积提取所述深层特征图的深层特征，将所述深层特征与初始特征图相结合得到联合特征；
28、任务对齐检测头模块，将联合特征送入任务对齐检测头中进行任务分解，获取分类预测图以及回归预测图；
29、目标获取模块，将所述分类预测图以及回归预测图进行预测框对齐操作，基于所述分类预测图获取初始特征图的落水目标类型，基于所述回归预测图获取初始特征图的落水目标位置。
30、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于动态任务对齐的海上小目标检测方法及系统，通过检测头在海上搜救，基于采集到的海面图像，快速定位落水目标或船只，提高对于海上小目标物体的检测精度以及检测速度，大大提高海上搜救任务的效率。
本文档来自技高网...【技术保护点】
1.一种基于动态任务对齐的海上小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述得到联合特征包括提取所述yolov8检测模型的特征层P3、P4、P5，利用特征层对所述初始特征图进行处理得到深层特征图，再经过两个3x3的Group Normalization共享卷积获取联合特征，公式如下：
3.根据权利要求1所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述分类预测图以及回归预测图通过回归分支、分类分支与任务分解模块获取，所述回归分支为生成器，通过所述生成器生成可变形卷积v2对应的mask与offset；所述分类分支先后使用卷积核1x1大小的卷积层和卷积核3x3大小的卷积层进行卷积，在两次卷积后分别使用ReLU激活函数与Sigmoid激活函数获取特征图D；所述任务分解模块将联合特征分解成为预测图A以及预测图B，根据可变形卷积v2对应的mask与offset和预测图A获取回归预测图，根据特征图D和预测图B获取回归预测图。
4.根据权利要求3所述的一种基于动态任务对齐的
5.根据权利要求3所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述获取特征图D具体包括：
6.根据权利要求3所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述任务分解模块具体包括：通过Pytorch中的自适应平均池化方法，将联合特征池化为1×1大小的平均池化特征Favg，同时保持特征图的深度不变，然后通过层注意力模块的两个1×1卷积conv3和conv4，分别再连接ReLU和Sigmoid激活函数，得到层注意力权重L；之后计算加权的卷积核，通过重塑将层注意力权重和卷积核的初始权重Wconv相结合得到新的卷积权重W；同时输入特征Funion也被重塑以匹配加权卷积核的维度，最后进行批归一化矩阵乘法操作，将加权卷积核和输入特征相乘，得到的结果通过分组归一化和激活函数处理，最终输出处理后的预测特征图Fp。
7.根据权利要求6所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述最终输出处理后的预测特征图Fp具体包括：
8.一种基于动态任务对齐的海上小目标检测系统，应用权利要求1-7任一所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于动态任务对齐的海上小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述得到联合特征包括提取所述yolov8检测模型的特征层p3、p4、p5，利用特征层对所述初始特征图进行处理得到深层特征图，再经过两个3x3的group normalization共享卷积获取联合特征，公式如下：
3.根据权利要求1所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述分类预测图以及回归预测图通过回归分支、分类分支与任务分解模块获取，所述回归分支为生成器，通过所述生成器生成可变形卷积v2对应的mask与offset；所述分类分支先后使用卷积核1x1大小的卷积层和卷积核3x3大小的卷积层进行卷积，在两次卷积后分别使用relu激活函数与sigmoid激活函数获取特征图d；所述任务分解模块将联合特征分解成为预测图a以及预测图b，根据可变形卷积v2对应的mask与offset和预测图a获取回归预测图，根据特征图d和预测图b获取回归预测图。
4.根据权利要求3所述的一种基于动态任务对齐的海上小目标检测方法，其特征在于，所述生成可变形卷积对应的mask与of...
【专利技术属性】
技术研发人员：齐冬莲，叶开奇，汪显博，李启，陈毅，闫云凤，汪金维，
申请(专利权)人：浙江大学，
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。