[发明专利]小目标物体图像检测方法、装置、电子设备及存储介质

权利要求书

1.一种小目标物体图像检测方法，其特征在于，所述方法包括：

获取待检测图像数据；

使用第一图像检测模型对所述待检测图像数据进行检测以判断所述待检测图像数据中是否存在小目标物体得到第一检测结果，

其中，所述第一图像检测模型基于卷积神经网络，所述卷积神经网络包括主干网络和特征金字塔网络，所述卷积神经网络使用注意力机制对所述主干网络下采样提取得到的浅层特征和所述特征金字塔网络第N轮下采样得到的深层特征进行融合，

在进行融合时，被指导层为自底向上的特征金字塔中的Pi，指导层为主干网络中的Pi-1，其过程如下式所示：

･

其中， 上标i表示的是Pi层网络，其取值范围为（3，6），下标Fu表示特征金字塔中自顶向下的特征金字塔，下标Fb表示特征金字塔中自下向上的特征金字塔，下标B表示主干网络，与分别为最大值池化通道压缩操作与平均池化通道压缩操作，表示下采样，N和i均为自然数；

返回所述第一检测结果。

2.根据权利要求1所述的方法，其特征在于，所述主干网络的浅层特征包括：对所述主干网络下采样提取得到的浅层特征进行维度池化后得到的一维浅层特征。

3.根据权利要求1所述的方法，其特征在于，所述注意力机制包括空间注意力机制。

4.根据权利要求1所述的方法，其特征在于，使用注意力机制对所述主干网络下采样提取得到的浅层特征和所述特征金字塔网络第N轮下采样得到的深层特征进行融合，包括：

使用注意力机制将所述主干网络下采样提取得到的浅层特征通过跳跃连接反馈至所述特征金字塔网络第N轮下采样提取得到深层特征的过程中，并对所述主干网络下采样提取得到的浅层特征和所述特征金字塔网络第N轮下采样得到的深层特征进行融合。

5.根据权利要求4所述的方法，其特征在于，N为1。

6.根据权利要求1所述的方法，其特征在于，在所述使用第一图像检测模型对所述待检测图像数据进行检测以判断所述待检测图像数据中是否存在小目标物体得到第一检测结果之前，所述方法还包括：

构建基于所述卷积神经网络的机器学习模型；

获取带有标注的图像数据集作为训练图像数据；

使用所述训练图像数据对所述机器学习模型进行训练得到所述第一图像检测模型。

7.一种小目标物体图像检测装置，其特征在于，所述装置包括：

图像数据获取模块，用于获取待检测图像数据；

小目标物体检测模块，用于使用第一图像检测模型对所述待检测图像数据进行检测以判断所述待检测图像数据中是否存在小目标物体得到第一检测结果，其中，所述第一图像检测模型基于卷积神经网络，所述卷积神经网络包括主干网络和特征金字塔网络，所述卷积神经网络使用注意力机制对所述主干网络下采样提取得到的浅层特征和所述特征金字塔网络第N轮下采样的深层特征进行融合，在进行融合时，被指导层为自底向上的特征金字塔中的Pi，指导层为主干网络中的Pi-1，其过程如下式所示：

･

其中， 上标i表示的是Pi层网络，其取值范围为（3，6），下标Fu表示特征金字塔中自顶向下的特征金字塔，下标Fb表示特征金字塔中自下向上的特征金字塔，下标B表示主干网络，与分别为最大值池化通道压缩操作与平均池化通道压缩操作，表示下采样，N和i均为自然数；

检测结果返回模块，用于返回所述第一检测结果。

8.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一项所述的方法步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法步骤。