[发明专利]小目标识别方法、装置、电子设备、介质及产品

说明书

本发明提供种小目标识别方法、装置、电子设备、介质及产品，方法包括：确定待检测的图像；输入所述待检测的图像至小目标识别模型，获得所述小目标识别模型输出的目标识别结果。本发明中提出的小目标识别模型包括特征提取器、生成器和分类器，该模型能够借助小目标和大目标的结构相关性，提高了对小目标识别的准确度。

技术领域

本发明涉及图像检测技术领域，尤其涉及一种小目标识别方法、装置、电子设备、介质及产品。

背景技术

小目标识别由于其空间结构小的特性，给识别的过程增加了困难。目前针对小目标识别的算法研究主要包括已有的目标识别算法、数据增强、多尺度特征融合、上下文空间信息利用、无锚框目标识别以及通过生成对抗的方式来提高图片分辨率等。小目标本身存在像素占比小和包含信息小的特点，利用神经网络进行特征提取容易造成信息和目标的丢失，因此造成识别准确率的下降。同时，小目标极容易受环境和其它目标的影响，造成准确定位难度增加，在现有的数据集中小目标数据量占有量少，同时数据不平衡的程度比大目标更大。在自然环境中，更是存在光照影响、目标遮挡、背景影响以及目标稠密等问题，进一步增加小目标识别的难度。由此可见，小目标识别仍然是充满挑战的研究方向之一。

将现有目标识别算法应用于小目标识别，由于其基于深度神经网络，因此会造成特征和目标的丢失以及锚框设置等问题，进而造成识别率的下降。数据增强方式和生成对抗方式可以解决数据短缺、不平衡以及图像清晰问题，可以在一定成都上提高对小目标识别的准确率和鲁棒性，但存在计算量增加、特征图中的目标特征和目标丢失以及数据增强策可能带来的噪声等问题。多尺度特征融合通过利用低层特征的表征信息以及高层特征的语义信息融合来生成高质量的特征图，以此来提高小目标识别性能。但在特征融合的过程中不可避免的存在着语义间隔和噪声干扰的信息，同时增加了计算量，使得识别结果无法在本发明实施例中提高。上下文空间信息利用充分的利用图像中和目标相关的信息，以此来提高对小目标识的性能，但由于场景中上下文信息的匮乏和缺乏高效的信息发掘方法，造成提高的性能有限。无锚框目标检测在小目标检测方面，减少了锚框的使用，但在关键点的检测和匹配方面还存在一定的问题，有待进一步研究提高。

发明内容

本发明提供一种小目标识别方法、装置、电子设备、介质及产品，用以解决现有技术中小目标识别方法特征丢失和准确率低下的缺陷，实现对于小目标的精确检测识别。

本发明提供一种小目标识别方法，包括：

确定待检测的图像；

输入所述待检测的图像至小目标识别模型，获得所述小目标识别模型输出的目标识别结果；

其中，所述小目标识别模型是基于样本图像的高分辨率特征图和样本图像对应的类别标签训练得到的，所述样本图像包括大目标样本图像和小目标样本图像，所述小目标识别模型包括特征提取器、生成器和第一分类器，所述特征提取器用于获取所述大目标样本图像和小目标样本图像的浅层特征图，所述生成器用于获取所述小目标样本图像的深层特征图，所述第一分类器用于根据高分辨率特征图输出目标识别结果，所述高分辨率特征图是根据所述小目标样本图像的浅层特征图和所述小目标样本图像的深层特征图进行融合得到的，所述生成器是基于所述高分辨率特征图，以及判别器进行对抗训练得到的，所述判别器用于鉴别所述大目标样本图像的浅层特征图和高分辨率特征图。

根据本发明提供的一种小目标识别方法，所述小目标识别模型还包括第二分类器，所述第二分类器用于根据生成器生成的小目标样本图像的深层特征图输出目标识别结果，所述小目标识别模型还用于将第一分类器和第二分类器的目标识别结果进行极大抑制后，获得最终的目标识别结果。

根据本发明提供的一种小目标识别方法，所述确定待检测的图像包括：

获取原始图像；

对所述原始图像进行预处理和图像质量提升，获得待检测的图像。

根据本发明提供的一种小目标识别方法，所述小目标识别模型训练时的任一次迭代包括：