[发明专利]一种基于超分-yolo网络的小目标检测方法

说明书

本发明提出一种基于超分‑yolo网络的小目标检测方法，以yolo网络作为基础网络架构，与超分模块相结合并加入位置注意力机制、自注意力机制以及引入递归空洞卷积模块，包括以下步骤；步骤一、采集图像并对图像进行预处理生成原图；步骤二、以超分拟合网络与经过改进后的yolo目标识别网络联接，构成超分‑yolo网络模型，对原图处理并输出分辨率更高的超清图像，再对该超清图像进行提取特征、目标框回归分类与物体检测识别等操作，得到被识别的图像，形成训练用数据集；步骤三、训练小目标物体检测模型；步骤四、将训练好的模型用于小目标物体检测；本发明可以通过更大的感受野获取更多的物体特征信息，应用于小目标检测时，可以有效实现小物体的提取。

技术领域

本发明涉及小目标物体检测领域，尤其是一种基于超分-yolo网络的小目标检测方法。

背景技术

小目标检测一直是目标检测领域的一大难点，尽管在过去几年内，目标检测的算法层出不穷，然而，在小目标识别途中，经常会遇到图片像素太低，干扰信息过多等，造成目标极易丢失。小目标检测已成为计算机视觉中最具有挑战性的任务之一。此外，用于小尺寸目标检测的大规模基准测试数据集仍然不够全面。

随着深度学习的深入研究，基于卷积神经网络的目标检测算法也得到了长足进展，特别是面向大、中目标的检测算法，基本能满足各种场景下的需求。小目标在现实生活中也大量存在并且具有着广泛的使用前景，例如在遥感图像处理、无人机导航、自动驾驶、医学诊断，人脸识别等多个应用领域中发挥了巨大作用。由于小目标本身尺度小在图像中所含信息量较少，容易造成目标模糊、细节特征不明显，从而制约着小目标检测性能的进一步发展。

基于深度学习的小目标检测方法，是在双阶和单阶算法基础上加以完善的。双阶段方法将检测问题分为两步走，首先筛选出一些可能存在的候选区域，然后针对每个候选区域，进行目标特征提取。这种方法效率相对较低，无法满足实时性要求。而单阶段与双阶段算法目标检测流程有所不同，可以进行端到端检测，无需进行候选区的筛选，运行速度更快。常见的单阶段目标检测算法包括YOLO系列和SSD系列。

中国专利申请号为：CN202110618368.4，名称为：一种红外图像超分辨率及小目标检测方法。该方法是一个通过可见光图像辅助红外图像的超分辨率重构算法，基于可见光图像的超分辨率技术来提高原始输入的红外图像的图像分辨率；将分辨率提升后的红外图像输入到所设计的生成对抗网络中，在所设计的生成器中，可以直接将原始图像输入到设计的网络中，结合提取到的高层特征和低层特征，尽可能保证图像细节纹理特征的完整性。该方法由于引用生成对抗网络，训练过程漫长，易消耗大量资源，且单方面从红外像图像出发，获取的特征较单一。

中国专利申请号为：202210736078.4，名称为：一种轻量化小目标检测方法。该方法是一种轻量化小目标检测方法，通过对待检测图像进行增强、缩小、内嵌到增强图像中，再采用基于RetinaTarget的小目标检测网络进行目标检测，可实现对近距离大目标和远距离小目标的同时检测。此方法将小图片嵌入到大图像中，使用特征增强在将图像进行放缩的时候，图像会损失部分原有细节，出现模糊的图像时容易出现漏检的情况。

发明内容

本发明提出一种基于超分-yolo网络的小目标检测方法，可以通过更大的感受野获取更多的物体特征信息，应用于小目标检测时，可以有效实现小物体的提取。

本发明采用以下技术方案。

一种基于超分-yolo网络的小目标检测方法，所述方法以yolo网络作为基础网络架构，与超分模块相结合并加入位置注意力机制、自注意力机制以及引入递归空洞卷积模块，以凸显小目标位置信息，增强细节特征；包括以下步骤；

步骤一、采集图像并对图像进行预处理生成原图；