[发明专利]一种基于感知生成对抗网络的小目标检测方法

说明书

技术领域

本发明涉及目标检测领域，尤其是涉及了一种基于感知生成对抗网络的小目标检测方法。

背景技术

随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对小目标进行实时跟踪研究越来越热门，对小目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。例如，在交通系统中用于交通标志检测、行人检测、车辆检测；在军事领域中用于侦查、制导和报警系统等方面。生成对抗网络近年来越来越火，并且已经成为人工智能的主要课题之一，它是一种生成模型，从训练库里获取很多训练样本，从而学习这些训练案例生成的概率分布。通过不断地训练测试，可以应用在图像转化以及图像文字转化等领域，甚至还可以应用于目标检测。然而，传统的小目标检测方法无法将低分辨率图像重建为高清图像，而且训练和测试耗时长，不利于投入应用。

本发明提出了一种基于感知生成对抗网络的小目标检测方法，由发生器网络和感知鉴别网络两个子网络组成，发生器网络将一个小目标的表示变换成一个类似于大目标的原始目标的超分辨表示，通过残差学习生成大目标和小目标的之间的残差表示，鉴别网络将生成的超分辨率表示作为输入，将其传递到对抗分支和感知分支两个分支，激励发生器网络生成具有高检测精度的超分辨率表示。本发明提出了基于感知生成对抗网络的小目标检测方法，通过缩小小目标与大目标的表示差异来改善小目标检测，提供了更全面的监督，更加有利于检测，实现了交通标志检测和行人检测的成功应用。

发明内容

针对训练和测试耗时长的问题，本发明的目的在于提供一种基于感知生成对抗网络的小目标检测方法，由发生器网络和感知鉴别网络两个子网络组成，发生器网络将一个小目标的表示变换成一个类似于大目标的原始目标的超分辨表示，通过残差学习生成大目标和小目标的之间的残差表示，鉴别网络将生成的超分辨率表示作为输入，将其传递到对抗分支和感知分支两个分支，激励发生器网络生成具有高检测精度的超分辨率表示。

为解决上述问题，本发明提供一种基于感知生成对抗网络的小目标检测方法，其主要内容包括：

(一)生成对抗网络；

(二)条件生成网络架构；

(三)鉴别网络架构。

其中，所述的感知生成对抗网络，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。

其中，所述的生成对抗网络，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。

进一步地，所述的鉴别器，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：