【技术实现步骤摘要】
本专利技术属于图像目标检测领域，特别是针对航拍图像中的小目标检测方法。
技术介绍
1、随着深度学习的持续发展，视觉目标检测取得了显著的成绩。近年来，越来越多的研究者对小目标检测投入了更多的关注。小目标检测在智能医疗、智能交通和卫星定位等领域具有重要的应用价值。因此，对小目标检测进行研究具有巨大的实用价值与应用前景。随着无人机技术的快速发展，航拍图像已经广泛应用于城市监控、环境监测、交通管理、农业监控等多个领域。然而，航拍图像中目标的检测与识别仍面临诸多挑战。首先，航拍图像通常具有高分辨率和复杂的背景，目标物体可能被不同程度地遮挡、变形，且与背景的对比度较低。其次，航拍图像中的小目标通常占据图像的较小区域且分布密集，而小目标的尺寸不一致、位置分布广泛，这使得目标检测变得更加困难。
2、在传统的目标检测方法中，尤其是基于卷积神经网络(cnn)的深度学习方法，虽然取得了一定的进展，但仍然难以在这些具有挑战性的航拍图像中实现高精度的检测。现有的目标检测方法往往依赖于训练集中的图像分布和数据标注，但由于航拍图像的多样性和复杂性，模型很容易受到噪声、模糊和视角变化等因素的影响，导致检测性能不佳。
3、为了解决这一问题，数据增强技术已成为提高模型性能的重要手段。然而，传统的数据增强方法(如旋转、平移、缩放等)可能无法有效捕捉航拍图像中的局部聚集区域或小目标的空间特征。因此，近年来很多研究者探索了更加适应图像结构的增强方法。kisantal等人采用了一种增强策略，通过复制小对象并将其随机变换粘贴到同一图像中的不同位置。z
4、此外，航拍图像中的目标通常具有丰富的空间和语义信息，而现有的目标检测方法往往忽视了特征间的关系。为了进一步提升目标检测的准确性，特征注意力机制作为一种有效的特征选择和加权方法，能够帮助模型更加专注于目标区域，将其用于检测头的分类子网络和回归子网络中，使其自适应地按照不同的任务需求选择更匹配任务目标的特征，从而提升小目标的检测能力和整体性能。
5、因此，需要一种新的基于dbscan数据增强和特征注意力检测头的航拍图像目标检测方法，通过聚类分析识别图像中的目标聚集区域，并利用特征注意力机制对检测头进行加权和优化，从而提高航拍图像中小目标的检测精度和鲁棒性。
6、经过检索，申请公开号cn117853959a，基于多重注意力融合网络的无人机图像小目标检测方法，包括以下步骤：s1、得到航拍图像，构建无人机航拍图像数据集；s2、使用聚类方法得到图像中密集目标存在的区域，并进行标注；s3、构建融合多层注意力机制的网络模型；s4、构建目标检测模型；s5、对目标检测模型进行训练和验证，得到最优的目标检测模型。本专利技术解决了航拍图像中目标聚集分布、小目标较多和背景复杂的问题；在不增加太多参数和计算量的情况下，提升模型在小目标检测上的性能；并解决其在小目标检测上性能较差的问题，使模型能更精准地检测目标，服务于无人机所应用的各种任务。
7、该专利中只将聚类后得到的图像中的密集目标存在的区域进行处理后用于网络训练，这会导致数据样本不足，训练的质量完全取决于聚类的质量，若聚类参数选择不当可能会导致目标区域的错误标注或部分目标未被标注进而影响检测结果且极易导致模型过拟合。而本专利技术将聚类得到的数据与原始数据集合并，扩展了训练数据集的规模和多样性，原始数据可能包含更多细节信息，而聚类得到的标注数据则专注于目标密集区域，二者结合可以帮助模型更好地学习到密集目标的特点以及图像的整体背景信息，提高模型对不同场景的适应性，避免了过拟合的风险，并在一定程度上缓解了聚类方法的不足。其次，该专利只重视加强主干特征提取网络的特征而忽略了检测头对检测结果的影响。本专利技术将注意力机制应用在检测头上，使网络能够自适应地关注更适当的信息进行分类和回归。
技术实现思路
1、本专利技术旨在解决以上现有技术的问题。提出了一种基于区域聚类和特征注意力机制的航拍小目标检测方法。本专利技术的技术方案如下：
2、一种基于区域聚类和特征注意力机制的航拍小目标检测方法，其包括以下步骤：
3、步骤1：从公开的航拍图像目标检测数据集visdrone中获取输入图像，并将其输入到以残差网络为主干特征提取网络、特征金字塔网络(fpn)为颈部融合网络的视网膜检测网络(retinanet)中进行特征提取得到粗略的候选目标信息；
4、步骤2：利用基于密度的聚类算法(dbscan)对步骤1中提取的粗略的候选目标信息进行计算，将密集的目标进行聚类，裁剪出目标聚集区域并对其进行中心填充处理进行尺度缩放，裁剪的图像作为新的输入从而扩充原始数据集，得到扩充后的数据集命名为visdrone-e；
5、步骤3：在retinanet算法的基础上，使用以下改进来构建新的特征增强视网膜检测网络(fs-retinanet)检测模型；(1)在特征金字塔网络的最高层构建级联的膨胀卷积层提取充分的上下文信息；(2)使用基于注意力机制的检测头替换原始的检测头使得分类任务和回归任务更具有针对性；
6、步骤4：使用步骤2中的visdrone-e训练步骤3中改进后的fs-retinanet用于检测小目标；
7、步骤5：将步骤4中训练好的模型权重传入测试网络中，以visdrone作为测试输入，对目标的边界框和类别信息进行预测；
8、步骤6：使用非极大抑制(nms)进行后处理去除冗余的检测框，用于减少误检或重复检测。
9、进一步的，所述步骤1：从公开航拍图像目标检测数据集visdrone中获取输入图像。将其输入retinanet中进行特征提取得到粗略的候选目标信息，具体为：
10、使用可直接回归出物体的类别概率和位置坐标值的端到端的检测网络retinanet来提取图像中的候选目标，获得目标的边界框坐标信息，从检测到的边界框中提取每个目标的中心坐标作为dbscan聚类算法的输入特征。
11、进一步的，所述步骤2：利用dbscan聚类算法对步骤1中提取的粗略的候选目标信息进行计算，将密集的目标进行聚类，裁剪出目标聚集区域并对其进行中心填充处理进行尺度缩放，裁剪的图像作为新的输入从而扩充原始数据集，得到扩充后的数据集命名为visdrone-e，具体为：
12、采用dbscan聚类算法对目标聚集区域进行识别；dbscan聚类算法的输入是目标的位置坐标，它将根据距离和密度来判断哪些目标属于同一聚集区域；通过设置领域半径eps和最小点数min_samples来确定数据点是否属于同一簇，从任意一个点开始，如果它的领域内包含至少min_samples个点，那么将其标记为一个簇的核心点；如果一个点是核心点，那么它的领域内的所有点都会被分配到该簇中，然后继续扩展这些领域，直到没本文档来自技高网...
【技术保护点】
1.一种基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤1：从公开航拍图像目标检测数据集VisDrone中获取输入图像。将其输入RetinaNet中进行特征提取得到粗略的候选目标信息，具体为：
3.根据权利要求1所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤2：利用DBSCAN聚类算法对步骤1中提取的粗略的候选目标信息进行计算，将密集的目标进行聚类，裁剪出目标聚集区域并对其进行中心填充处理进行尺度缩放，裁剪的图像作为新的输入从而扩充原始数据集，得到扩充后的数据集命名为VisDrone-E，具体为：
4.根据权利要求1所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤3在特征金字塔网络的最高层构建级联的膨胀卷积层提取充分的上下文信息，具体为：
5.根据权利要求4所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤3使用基于注意力机制的
6.根据权利要求1所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤5：将步骤4中训练好的模型权重传入测试网络中，以VisDrone作为测试输入，对目标的边界框和类别信息进行预测，具体为：
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于区域聚类和特征注意力机制的航拍小目标检测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于区域聚类和特征注意力机制的航拍小目标检测方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于区域聚类和特征注意力机制的航拍小目标检测方法。
...【技术特征摘要】
1.一种基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤1：从公开航拍图像目标检测数据集visdrone中获取输入图像。将其输入retinanet中进行特征提取得到粗略的候选目标信息，具体为：
3.根据权利要求1所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤2：利用dbscan聚类算法对步骤1中提取的粗略的候选目标信息进行计算，将密集的目标进行聚类，裁剪出目标聚集区域并对其进行中心填充处理进行尺度缩放，裁剪的图像作为新的输入从而扩充原始数据集，得到扩充后的数据集命名为visdrone-e，具体为：
4.根据权利要求1所述的基于区域聚类和特征注意力机制的航拍小目标检测方法，其特征在于，所述步骤3在特征金字塔网络的最高层构建级联的膨胀卷积层提取充分的上下文信息，具体为：
5.根据权利要求4所述的基于区域聚类和特征注意力机制的航拍小...
【专利技术属性】
技术研发人员：唐贤伦，江欣彦，谢颖，唐瑜泽，邓武权，陈秋，汪应，王乐君，李伟生，
申请(专利权)人：重庆邮电大学，
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。