[发明专利]基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法

权利要求书

1.基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，包括以下步骤，

S1：建立基于ASPP-YOLOv4多尺度融合的无人机图像目标检测模型；

S2：将无人机图像尺寸调整为416*416，输入到步骤S1中建立的无人机图像目标检测模型中，对无人机图像中的目标进行检测。

2.根据权利要求1所述的基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，步骤S1的具体操作包括以下步骤，

S101：建立YOLOv4网络结构，所述YOLOv4网络结构包括主干特征提取网络CSPDarknet53、特征金字塔网络PANet和YOLO Head检测头；所述主干特征提取网络CSPDarknet53包括CBM卷积模块与五个CSP残差块；

S102：将改进的SENet网络嵌入到每个CSP残差块中；

S103：在主干特征提取网络CSPDarknet53中的第一个CSP残差块和第二个CSP残差块后分别输出分辨率为208*208以及104*104的特征图，经过下采样降维后融入到特征金字塔网络PANet中，得到基于ASPP-YOLOv4多尺度融合的无人机图像目标检测模型。

3.根据权利要求2所述的基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，步骤S101中所述的主干特征提取网络CSPDarknet53中，每个所述CSP残差块有两条残差特征融合通道，一条通道经过CBM和m个Resunit残差堆叠处理，另一条通道直接经过CBM处理，最后两条通道再进行融合；经过五个CSP残差块处理后得到的特征图再经过SPP，利用不同尺度的最大池化进行处理。

4.根据权利要求3所述的基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，步骤S102的具体操作包括以下步骤：在每个CSP残差块的两条残差特征融合通道后加入改进的SENet网络；

所述改进的SENet网络包括聚合掩码模块、全局平均池化层、两个全连接层、ReLU激活函数和Simmod激活函数，所述聚合掩码模块特征图更关注前景并抑制背景特征。

5.根据权利要求4所述的基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，所述聚合掩码模块特征图更关注前景并抑制背景特征的具体操作包括以下步骤，

S1021：将特征图在通道维度上相加得到聚合图；

S1022：计算聚合图的平均值avg，将聚合图中激活值A_i,j大于平均值avg的位置设置为1，小于平均值的位置设置为0；

S1023：最将得到的掩码图扩展为原特征图大小，与原特征图进行加权相乘，得到经聚合掩码模块后的特征图。

6.根据权利要求5所述的基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，步骤S103中下采样使用改进的并联空洞卷积ASPP网络进行下采样，所述改进的并联空洞卷积ASPP网络包括一个平均池化模块和2个1*1的普通卷积以及3个空洞率为2,3,4的空洞卷积。

7.根据权利要求6所述的基于ASPP-YOLOv4多尺度融合的无人机图像目标检测方法，其特征在于，步骤S2的具体操作包括以下步骤，

S201：将无人机图像尺寸调整为416*416，输入到步骤S1中建立的无人机图像目标检测模型的主干特征提取网络CSPDarknet53中进行特征提取；

S202：步骤S201中提取的特征图经过特征金字塔网络PANet进行聚合，叠加多尺度的目标特征；

S203：YOLO Head检测头采用预测加回归的思想，对不同大小的特征图进行预测，从而对不同目标进行检测。