【技术实现步骤摘要】
本专利技术涉及计算机视觉、图像处理和目标检测，具体涉及一种基于多通道域泛化网络的无人机小目标检测方法。
技术介绍
1、无人机目标检测是计算机视觉领域的一个关键分支，随着无人机技术的快速发展，其应用领域也在持续扩展，包括军事、民用和商业等多种用途。随之而来的，无人机的潜在安全威胁也开始显现，例如非法侵入和恶意攻击等问题。无人机目标检测的主要目的是在图像或视频材料中识别、定位和分类无人机。目前，这一技术已被广泛应用于日常生活中的多个场景，例如机场安全、敏感区域保护和视频监控系统等。
2、早期目标检测技术主要依靠手工设计的特征和机器学习分类器。经典的方法，如使用haar特征的viola-jones算法和基于hog（histogram of oriented gradients）特征的方法，在处理复杂背景、多目标识别和尺寸变化时表现不佳。随着计算机视觉领域的进步，深度学习技术的引入标志着新算法的出现。r-cnn（regions with cnn features）是其中的开创性工作，它通过区域提案来定位图像中的目标，并利用卷积神经网络（cnn）来提取特征和进行分类。其后续改进版本，fast r-cnn，通过整合检测流程至一个单一网络并引入roi（region of interest）池化层从共享特征图中提取特征，显著提高了速度和效率。在此基础上，yolo（you only look once）和ssd（single shot multibox detector）这样的一阶段目标检测器进一步革新了领域，它们通过单一的前向传播过
3、在目标检测中，小目标检测是一个特别具有挑战性的任务，主要是因为小目标在图像中占据的像素少，特征信息不足。更复杂的是，当这些小目标的数据来源于不同环境时，数据集之间会存在域的差异，即不同的分布特性。这种域的差异可能是由于不同的采集条件（如光照、背景复杂度）、不同的数据采集设备或不同的图像处理技术引起的。这些差异导致在一个环境中表现良好的目标检测模型在另一个环境中可能表现不佳，因为模型可能无法有效地从图像中提取适用于所有环境的普适特征。这种由域差异引起的性能衰减，尤其在处理小目标时更为明显，因为这些目标的可识别特征本就有限。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于多通道域泛化网络的无人机小目标检测方法，以提高小目标的检测准确率和鲁棒性。
2、本专利技术的目的是通过以下技术方案来实现的：
3、一种基于多通道域泛化网络的无人机小目标检测方法，包括：
4、构建并训练多通道域泛化网络；
5、将包含无人机小目标的低分辨率图像输入到训练好的多通道域泛化网络进行检测识别；
6、所述构建并训练多通道域泛化网络包括步骤：
7、采集无人机高分辨率图像作为第一训练图像集，将无人机高分辨率图像进行十倍降采样后得到的图像作为第二训练图像集，将低分辨率图像作为第三训练图像集；
8、构建多通道域泛化网络，所述多通道域泛化网络包括高分辨率目标检测网络、低分辨率目标检测网络、低分辨率域泛化网络、判别器，所述高分辨率目标检测网络与所述低分辨率目标检测网络通过强约束相连，所述低分辨率目标检测网络与低分辨率域泛化网络则通过对抗约束连接；
9、所述高分辨率目标检测网络采用yolo-v8网络，模型训练时，将第一训练图像集输入到高分辨率目标检测网络，通过高分辨率目标检测网络中间层获得第一中间特征；
10、所述低分辨率目标检测网络采用yolo-v8网络，模型训练时，将第二训练图像集输入到低分辨率目标检测网络，通过低分辨率目标检测网络中间层获得第二中间特征；
11、将所述第一中间特征和第二中间特征进行强约束，强约束所采用的损失为特征对齐损失，采用均方误差损失作为特征对齐损失；
12、所述低分辨率域泛化网络采用yolo-v8网络，模型训练时，将第三训练图像集输入到低分辨率域泛化网络，通过低分辨率域泛化网络中间层获得第三中间特征；低分辨率域泛化网络根据第三中间特征和所述第二中间特征进行对抗学习，然后将低分辨率目标检测网络中间层和低分辨率域泛化网络中间层连接到判别器上，判别器评估低分辨率目标检测网络是否能够有效学习到低分辨率域泛化网络的域特征，输出判别结果；所述判别器训练时采用的损失为域泛化损失。
13、进一步地，所述采用均方误差损失作为特征对齐损失，具体表示为：
14、
15、其中表示实际值，表示预测值， n是样本数量。
16、进一步地，所述域泛化损失的计算公式具体表示为：
17、
18、其中，d是判别器，θ为低分辨率目标检测网络参数，为对抗损失函数，用于衡量判别器d对特征来源域的区分能力，表示网络参数θ在判别器d最大化对抗损失函数的情况下，最小化对抗损失函数的过程； x表示从低分辨率域泛化网络中抽取的图像特征，代表数据的分布；是低分辨率目标检测网络的输出，和分别表示低分辨率域泛化网络和依赖低分辨率目标检测网络参数的数据分布，e表示对原始多域训练数据分布的数学期望运算。
19、进一步地，所述yolo-v8网络包括backbone、neck和head三个部分，所述backbone用于特征提取，neck用于多尺度特征融合，head用于进行目标检测和分类任务，head部分包括一个检测头和一个分类头；
20、yolo-v8网络的分类损失函数采用二元交叉熵损失：
21、
22、其中n是样本数量，是第i个样本的真实标签，是模型预测的第i个样本为正类的概率；
23、yolo-v8网络的回归损失函数采用dfl损失：
24、
25、其中 s i和 s i+1代表两个不同状态或时间点的模型输出或数据； k true为回归目标的真实值， k i和 k i+1为对连续值 k true进行离散化后的相邻区间端点，满足 k i≤ k true≤ k i+1。本文档来自技高网...
【技术保护点】
1.一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述采用均方误差损失作为特征对齐损失，具体表示为：
3.根据权利要求1所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述域泛化损失的计算公式具体表示为：
4.根据权利要求1所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述YOLO-v8网络包括Backbone、Neck和Head三个部分，所述Backbone用于特征提取，Neck用于多尺度特征融合，Head用于进行目标检测和分类任务，Head部分包括一个检测头和一个分类头；
5.根据权利要求4所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述将包含无人机小目标的低分辨率图像输入到训练好的多通道域泛化网络进行检测识别，具体过程为：
6.根据权利要求1所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述多通道域泛化网络的总损失为：
【技术特征摘要】
1.一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述采用均方误差损失作为特征对齐损失，具体表示为：
3.根据权利要求1所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述域泛化损失的计算公式具体表示为：
4.根据权利要求1所述的一种基于多通道域泛化网络的无人机小目标检测方法，其特征在于：所述yolo-v8网络包括backbon...
【专利技术属性】
技术研发人员：涂晓光，李卓骏，高增，刘建华，杨明，张艳艳，魏麟，
申请(专利权)人：中国民用航空飞行学院，
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。