[发明专利]基于尺度敏感损失与特征融合的小目标检测方法和系统

说明书

本发明提供一种基于尺度敏感损失与特征融合的小目标检测方法和系统，检测方法包括：建立训练数据集和尺度敏感损失与特征融合的目标检测网络；所述数据集中包括多张训练图像，每张图像中设置有至少一个待检测目标；所述检测模型包括特征提取模块、特征融合模块和目标检测模块；采用所述训练数据集对所述检测模型进行训练，得到训练后的检测模型；训练过程中所采用的损失函数为包括分类损失部分、回归损失和下采样造成的目标偏移损失；将待检测图像输入所述训练后的检测模型，得到小目标检测结果。本发明所提供的技术方案，能够解决小目标检测时存在的网络结构复杂、检测速度较慢的问题。

技术领域

本发明涉及小目标检测技术领域，具体涉及一种基于尺度敏感损失与特征融合的小目标检测方法和系统。

背景技术

小目标检测是指对图像中体积较小的目标进行检测，在小目标检测技术中，为了提高对小目标检测的效果，目前常用的技术有多尺度建模与数据增强两大类方法。

多尺度方法的核心思想是利用深度神经网络不同层次特征分别预测不同尺度的目标，该方法常用的技术方案包括：

(1)利用浅层特征图进行小目标检测，但是由于目标检测任务同时需要物体的“语义和位置”特征，而语义特征存在于深层特征图中，因此分层预测的网络结构难以兼顾小目标的语义和位置特征。

(2)特征金字塔网络(Feature Pyramid Networks，FPN)技术，该技术将深层特征图上采样后与浅层特征图融合，进行多尺度目标预测，一定程度上提升了小目标检测性能，但FPN技术具有局限性，即只适用于有锚框的目标检测方法中。

(3)多尺度正样本训练技术，该技术将正样本按照尺度划分成几个组，然后分别训练，其缺点是大大增加了计算量，降低了检测速度。

数据增强技术的思路是在训练阶段增加小目标样本数量从而提高模型对小目标的检测性能，这种做法对小目标物体的检测也有一定的提升，但是检测方法所采用网络的结构复杂，数据处理步骤多，检测速度较慢。

发明内容

本发明的目的是提供一种基于尺度敏感损失与特征融合的小目标检测方法和系统，以至少解决上述小目标检测时存在的网络结构复杂、检测速度较慢的问题。

为实现上述目的，本发明的采用如下技术方案：

一种基于尺度敏感损失与特征融合的小目标检测方法，包括如下步骤：

步骤S1：建立训练数据集和尺度敏感损失与特征融合的目标检测网络；

所述数据集中包括多张训练图像，每张图像中设置有至少一个待检测目标；

所述检测模型包括：

特征提取模块，卷积层、第一残差模块、第二残差模块、第三残差模块和第四残差模块；

特征融合模块，包括第一融合子模块和第二融合子模块；所述第一融合子模块和第二融合子模块均包括一个反卷积层和一个可变性卷积层，其中第一融合子模块的输入量为第三个残差模块和第四个残差模块的输出量，所述第二融合子模块的输入量为所述第一融合子模块的输出量和第二残差模块的输出量；

目标检测模块，用于根据所述特征融合模块的输出量得到目标检测结果；

步骤S2：采用所述训练数据集对所述检测模型进行训练，得到训练后的检测模型；

训练过程中所采用的损失函数为包括分类损失部分、回归损失和下采样造成的目标偏移损失；

步骤S3：将待检测图像输入所述训练后的检测模型，得到小目标检测结果。