一种基于增强特征提取的小目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984172A(43)申请公布日2023.04.18(21)申请号202211515877.5(22)申请日2022.11.29(71)申请人上海师范大学地址200234上海市徐汇区桂林路100号(72)发明人安康刘玉强李明轩宋亚庆刘翔鹏何凤琴(74)专利代理机构上海唯智赢专利代理事务所(普通合伙)31293专利代理师刘朵朵(51)Int.Cl.G06T7/00(2017.01)G06V10/774(2022.01)G06V10/82(2022.01)G06V10/762(2022.01)G06V10/80(2022.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于增强特征提取的小目标检测方法(57)摘要本发明公开了一种基于增强特征提取的小目标检测方法，属于图像处理和计算机视觉技术领域。该检测方法包括：采集图像构建数据集，并将数据集划分为训练集和测试集；构建改进的YOLOV5网络模型，其主干网络用shufflenetV2代替，添加坐标注意力机制，改进特征提取结构：加深特征金字塔FPN，增加浅层特征重用，删除低分辨率目标检测层，避免无效计算；使用训练集数据对改进的YOLOV5网络模型进行训练，得到小目标检测模型。本发明通过增加浅层特征重用及引入坐标注意力机制，提升了检测精度，通过缩减模型体积，降低网络参数量及计算量，满足了实时性的要求。CN115984172ACN115984172A权利要求书1/2页1.一种基于增强特征提取的小目标检测方法，其特征在于，包括：(1)采集图像构建数据集，并将所述数据集划分为训练集和测试集；(2)构造改进的YOLOV5网络模型：(2.1)主干网络用shufflenetV2代替：采用双卷积核处理并连接的方式，同时合并连续的逐元素操作；(2.2)添加坐标注意力机制：将位置信息嵌入到通道注意力之中，综合图像全局信息，弱化背景信息干扰；(2.3)改进特征提取结构：加深特征金字塔FPN，增加浅层特征重用，保留更丰富的位置信息，增强小目标特征提取能力，同时由于数据集中目标尺度分布的特点，删除低分辨率目标检测层，避免无效计算；(3)使用所述数据集数据对所述改进的YOLOV5网络模型进行训练，获得小目标检测模型。2.根据权利要求1所述的基于增强特征提取的小目标检测方法，其特征在于，所述步骤(2.1)主干网络用shufflenetV2代替包括：使用所述Shufflenetv2卷积模块替换原始网络中的3‑8层的卷积模块与C3模块，采用通道分割和通道混洗策略。3.根据权利要求2所述的基于增强特征提取的小目标检测方法，其特征在于：所述通道分割：将每个单元的c个特征通道输入分割为两个分支，分别具有c‑c’和c’个通道，其中c’取值c/2；之后连接卷积所得到的两个分支以维持通道数相同；所述通道混洗：保证不同分支之间能够进行信息交流。4.根据权利要求1所述的基于增强特征提取的小目标检测方法，其特征在于，所述步骤(2.2)添加坐标注意力机制包括：在主干网络的第2、5、8、12层之后加入坐标注意力模块。5.根据权利要求4所述的基于增强特征提取的小目标检测方法，其特征在于，所述坐标注意力模块的实现如下：(2.2.1)坐标注意力嵌入：对全局池化进行分解得到一对一维特征的编码；对于C×H×W维度的输入，其中C为通道数，H为高度，W为宽度，利用维度为(H,1)或(1,W)的池化核按照水平坐标及垂直坐标对每个通道进行编码；(2.2.2)坐标注意力生成：利用1×1的卷积核变换函数对步骤(2.2.1)中得到的表征进行变换，并将变换结果沿空间维数分解为两个单独的张量，最后利用卷积变换分别将和变换为与输入具有相同通道数的张量，其中卷积变换利用sigmoid激活函数；(2.2.3)将步骤(2.2.2)中的结果进行扩展作为注意力权重。6.根据权利要求1所述的基于增强特征提取的小目标检测方法，其特征在于，所述步骤(2.3)改进特征增提取结构包括：网络结构中第14层输出的特征图经过nearest上采样后与第8层输出的特征图通过concat进行特征融合；将融合得到的特征图通过nearest上采样并与第5层输出的特征图进行concat特征融合；上述结果再度通过nearest上采样后与第2层输出的特征图进行concat操作得到融合后的特征图；该特征图通过C3模块后最终得到各预测层输出结果；该结果包含一个新增的针对微小目标的高分辨率目标检测层，提升小目标检测效果，同时删除了原有的低分辨率目标检测层，避免无效计算。7.根据权利要求1所述的基于增强特征提取的小目标检测方法，其特征在于，使用所述训练集数据对所述改进的YOLOV5网络模型进行训练，包括：2CN115984172A权利要求书2