一种基于特征图加权注意力融合的小目标检测方法及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115049901A(43)申请公布日2022.09.13(21)申请号202210631175.7(22)申请日2022.06.06(71)申请人中国兵器工业计算机应用技术研究所地址100089北京市海淀区车道沟10号(72)发明人史津竹赵小川李陈刘华鹏樊迪陈路豪王子彻(74)专利代理机构北京天达知识产权代理事务所(普通合伙)11386专利代理师庞许倩(51)Int.Cl.G06V10/80(2022.01)G06V10/40(2022.01)G06V20/00(2022.01)权利要求书3页说明书9页附图2页(54)发明名称一种基于特征图加权注意力融合的小目标检测方法及设备(57)摘要本发明提供一种基于特征图加权注意力融合的小目标检测方法及设备。其中检测方法包括以下步骤：获取待检测图像；通过改进的仿初级视觉皮层模型对待检测图像进行预处理，得到初级特征图；通过预设的小目标检测模型对初级特征图进行特征提取，得到m个目标特征图，包括：对初级特征图依次进行m次特征图尺寸压缩和特征提取，得到m个不同尺寸的骨干特征图和感兴趣特征图；基于m个骨干特征图和感兴趣特征图进行加权通道拼接的注意力融合和特征提取，得到m个目标特征图，对m个目标特征图进行特征融合，得到目标检测结果。本发明改善了现有技术中针对小目标检测的方法准确性差，容易造成误检、漏检，无法应用于存在大量小目标的应用场景的问题。CN115049901ACN115049901A权利要求书1/3页1.一种基于特征图加权注意力融合的小目标检测方法，其特征在于，包括以下步骤：获取待检测图像；通过改进的仿初级视觉皮层模型对所述待检测图像进行预处理，得到初级特征图；通过预设的小目标检测模型对所述初级特征图进行特征提取，得到m个目标特征图，包括：对初级特征图依次进行m次特征图尺寸压缩和特征提取，得到m个不同尺寸的骨干特征图和感兴趣特征图；基于m个所述骨干特征图和感兴趣特征图进行加权通道拼接的注意力融合和特征提取，得到m个目标特征图，m为大于1的整数；对m个所述目标特征图进行特征融合，得到目标检测结果。2.根据权利要求1所述的小目标检测方法，其特征在于，所述改进的仿初级视觉皮层模型包括：VoneBlock层、Conv层和Weighted_Sum_Attention层；所述VoneBlock层，用于对所述待检测图像进行仿生视觉特征提取得到仿生视觉特征图；所述Conv层，用于对所述待检测图像进行卷积特征提取得到卷积特征图；所述Weighted_Sum_Attention层，用于对所述仿生视觉特征图和所述卷积特征图的像素值进行加权相加的注意力融合，得到所述初级特征图。3.根据权利要求2所述的小目标检测方法，其特征在于，所述Weighted_Sum_Attention层通过下式进行特征图加权相加的注意力特征融合：其中，ε为预设的微小常量；n表示输入的特征图的数量，所述输入的特征图包括输入的仿生视觉特征图和卷积特征图；Finputi表示输入的第i个特征图；wi表示第i个输入特征图的权值，wi预设为模型的训练变量，预设wi≥0；SE()表示基于SE注意力模块进行特征提取；CBAM()表示基于CBAM注意力模块进行特征提取。4.根据权利要求1所述的小目标检测方法，其特征在于，所述目标检测模型包括骨干网络和头部网络；所述骨干网络包括m个依次连接的特征图压缩提取模块；用于对初级特征图依次进行m次特征图尺寸压缩和特征提取,得到m个不同尺寸的骨干特征图和感兴趣特征图；所述头部网络用于基于m个所述感兴趣特征图和骨干特征图分别进行加权通道拼接的注意力融合和特征提取，得到m个目标特征图。5.根据权利要求4所述的小目标检测方法，其特征在于，所述特征图压缩提取模块包括Conv层、C3层和CA注意力层；其中，通过Conv层对输入的特征图进行尺寸压缩；通过C3层对尺寸压缩后的特征图进行特征提取，得到骨干特征图；通过CA注意力层对所述骨干特征图进行感兴趣特征提取，得到感兴趣特征图；将初级特征图经过CA注意力层进行特征提取后得到的特征图作为第一个所述特征图压缩提取模块的输入，得到第一个骨干特征图和感兴趣特征图；将第I个所述特征图压缩提取模块得到的感兴趣特征图作为第I+1个特征图压缩提取模块的输入，经过特征图尺寸压缩和特征提取，得到第I+1个骨干特征图和第I+1个感兴趣特征图，其中，I为1≤I≤m‑1的整2CN115049901A权利要求书2/3页数。6.根据权利要求4或5所述的小目标检测方法，其特征在于，所述头部网络包括m个FPN模块和m个加权通道聚合模块；所述FPN模块，用于基于骨干网络输出的骨干特征图和感兴趣特征图对图像进行上采样和跨层融合得到具有底层视觉信息和高层语义