[发明专利]一种基于感知生成对抗网络的小目标检测方法

权利要求书

1.一种基于感知生成对抗网络的小目标检测方法，其特征在于，主要包括生成对抗网络(一)；条件生成网络架构(二)；鉴别网络架构(三)。

2.基于权利要求书1所述的感知生成对抗网络，其特征在于，由两个子网络组成，即发生器网络和感知鉴别网络；发生器是一种基于残差的深度特征生成模型，通过引入较低级别的细粒度，将小目标的原始劣势特征转化为高度辨别的特征，从而实现了“超分辨率”；鉴别网络作为监督，能够提供质量的指导和生成的细粒度细节；鉴别网络的训练不仅仅是为了区分生成的小目标的超分辨率表示和来自具有对抗性损失的真实的大目标的原始超分辨率表示，而且还用于证明从产生的具有感知损失的超分辨特征中获得的检测准确性。

3.基于权利要求书1所述的生成对抗网络(一)，其特征在于，生成对抗网络的学习目标为：

其中，G表示通过数据x学习将数据z从噪声分布p_z(x)映射到分布p_data(x)的发生器，D表示估计来自数据分布p_data(x)的样本概率的鉴别器；

x和z分别是大目标和小目标的表示，即F_l和F_s；学习一个发生器函数G，它将一个小目标F_s的表示变换成一个类似于大目标F_l的原始目标的超分辨表示G(F_s)；由于F_s中包含的信息有限，学习与大目标特征F_l的分布相匹配的小目标的表示G(F_s)很困难；因此，引入一种新的条件发生器模型，该模型基于额外的辅助信息，即小目标f的低级特征，发生器通过残差学习生成大目标和小目标的之间的残差表示；

在这种情况下，可以通过直接学习小目标的超分辨表示来简化发生器的训练过程；例如，如果输入表示来自大目标，则发生器只需要学习零映射。

4.基于权利要求书3所述的鉴别器，其特征在于，包括两个分支，即用于区分生成的超分辨表示和用于大目标的原始表示的对抗分支，以及用于证明从生成的表示中获得的检测精度的感知分支；以替代的方式优化嵌入在发生器和鉴别网络中的参数，解决对抗网络最小-最大问题；

将表示为参数Θ_g的生成网络；通过优化损失函数L_dis获得Θ_g：

Θg=argminΘgLdis(GΘg(Fs))---(3)]]>

其中，L_dis是对抗损失和鉴别网络产生的感知损失的加权组合；训练鉴别网络的对抗分支，通过为小目标生成的超分辨特征和大目标F_l的特征分配标签将概率最大化。