[发明专利]一种自适应特征融合冗余优化的小目标检测方法

说明书

本发明公开了一种自适应特征融合冗余优化的小目标检测方法，涉及计算机视觉技术领域，解决现有增进模型对目标关注度的注意力机制注入方法，普遍会增大模型的复杂程度，降低了模型的实时性和实用性的问题，本发明针对目标检测中的两个问题提出了相应的解决办法，其一是针对特征通道中冗余信息杂糅的问题提出自适应通道激活基础模块按通道独立进行不固定的激活操作，各通道自动学习出各自所需激活函数，显著抑制了特征提取过程中杂质信息的表达，优化了浅层特征冗余的问题。其二是在CenterNet中选择适当的位置注入注意力模块，有针对性地对优化后的特征进行二次提炼与关键增强，同时针对注意力模块带来的复杂度增加问题。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种自适应特征融合冗余优化的小目标检测方法。

背景技术

目标检测是计算机视觉的一个热门研究方向，其基础任务即识别与定位，需要识别出物体的类别属性同时确定其在画面中所处的具体位置。随着深度学习的崛起，在监控摄像头越来越普及的当下，目标检测技术更是活跃在人们的生活中，在行人检测、交通检测、工件瑕疵检测、医学图像分析等领域都能看到其应用。在目标检测中小目标因其本身固有性质，图像占比小，纹理特征不显著、浅层特征语义信息不足、深层特征信息缺失等原因，导致小目标的检测尤为困难。普遍的提升小目标检测精度的方法是进行多层特征融合，例如早期的图像金字塔，后期升级的特征金字塔FPN，以及在FPN基础上的各种改进特征融合模块PANet、ASFF、NAS-FPN、BiFPN、Recursive-FPN等；另外一种方法是分而治之，如SSD、MS-CNN、YOLO使用反卷积来强化浅层特征的语义信息，在不同分辨率特征层上对不同尺度的目标进行检测，但还是依托了特征融合的思路。以Anchor-free中经典目标检测算法CenterNet为例，网络结构如图2所示，其步骤可以简要概括为：通过主干网络DLA-34进行层级特征融合与跳跃特征融合来提取图像特征；对提取后的特征进行编解码预测。特征融合虽然一定程度上解决了小目标检测困难的问题，但是卷积网络带来的图像特征的高冗余问题，在这个过程中往往是被忽略的。与此同时，越复杂深层的特征融合会带来显著的内存压力，故而优化浅层的特征融合就显得尤为重要。卷积网络输出的特征图的不同通道中存在很多高度相似的冗余特征，甚至某些通道层中包含了大量杂质信息，这对于小目标的检测来说尤为不利，对这些通道层而言，其实并不需要在整个数据流转过程中进行激活。因此，网络若能自适应地将无关特征削减，对关键特征增强，对小目标检测来说很重要。目前，普遍的增强网络对目标关注度的方法是将注意力机制融合进入网络，但这些结构普遍会显著增加模型的复杂度。目标检测应用场景的广泛依赖实时性，自适应增强结构应在不影响模型的复杂度的情况下，增进模型的检测精度。

通过上述分析，现有技术存在的问题及缺陷为：

CenterNet算法进行特征融合后的特征数据中仍存在很多冗余的干扰信息，没有纯净每个通道层的信息。这一点造成目标检测方法对图像理解的不清晰。以图8(a)为例，展示了将样本图7输入CenterNet网络，其主干输出的部分通道特征信息，明显能观察到各通道四周存在很多杂质信息。

现有的增进模型对目标关注度的注意力机制注入方法，普遍会增大模型的复杂程度，降低了模型的实时性和实用性。以图4为例，展示了GC-Block注意力模块的模型结构，分为上下文信息提取与注意力融合两个部分。在上下文信息提取部分，需要采用1×1卷积模块进行层归一化后输入softmax里得到各通道重要性占比因子之后，将输入信息与重要性占比因子相乘之后强化关键层的信息表达，随后将强化后的关键信息注入注意力融合模块提炼更精确的特征信息，再与以原始输入信息进行通道拼接。此操作虽然能有效提升特征的提取效率，但如果在目标检测网络中广泛使用该注意力模型，会大大增加网络的复杂度，极具降低网络的推理速度。

解决以上问题及缺陷的难度为：现有技术缺乏对特征融合带来的冗余问题的浅层优化的研究与讨论，缺少应对该问题的有效方法与评估。现有的特征自关注强化的注意力机制，由由于参数量普遍偏大，不适合应用在网络全局模块中。要弥补其不足，需要对网络整体结构进行创新性的设计。