[发明专利]一种基于特征增强的复杂场景下小目标检测方法

说明书

本发明属于计算机视觉和目标检测领域，具体涉及一种基于特征增强的复杂场景下小目标检测方法。本发明的技术方案是：首先提出Cutout‑DA数据增强方法，生成新的遮挡数据扩充至VisDrone2021数据集中，然后设计多尺度融合的特征增强路径聚合网络MSFE‑PANet，通过集成注意机制、特征融合以及针对小目标的网络预测尺度策略，获取到更丰富、细致的语义信息特征和空间信息特征，设计预测框排斥损失函数RB_Loss，最后训练模型。本发明可以增强深层特征图的强定位信息与浅层特征图的强语义信息相互融合，帮助网络在复杂场景中找到感兴趣区域，提高对小目标的敏感度。并设计RB_Loss排斥损失函数、网络预测尺度解决复杂背景下重叠、遮挡小目标的漏检、误检的问题。

技术领域

本发明属于计算机视觉和目标检测领域，具体涉及一种基于特征增强的复杂场景下小目标检测方法。

背景技术

近年来，深度学习技术的快速发展，促使计算机视觉取得了显著的突破，将其推向了前所未有的研究热点。计算机视觉的主要任务是对图像进行解析，包括对图像的分类、检测和分割。目标检测作为计算机视觉领域的核心研究方向之一，利用相关算法，通过精确的定位找到特定的目标类。小目标检测作为目标检测的难点，有着同样重要的应用价值，在自动驾驶、智慧医疗、缺陷检测和航拍图像分析等诸多领域发挥着重要作用。在汽车的高分辨率场景照片中检测小的、遥远的物体是安全部署自动驾驶汽车的必要条件；同时在医学影像学中，如果能对大小只有几个像素的肿块和肿瘤早期发现对于准确、早期诊断至关重要；自动工业检测也可以受益于小目标检测，通过定位可以在材料表面上可见的小缺陷。综上所述，小目标检测具有广泛的应用价值和重要的研究意义。

尽管目标检测算法已经取得了重大突破，但由于检测小目标和大目标之间的性能上存在显著的差距，所以对于小目标的研究仍然不够理想。现有方法下的小目标检测还不能很好的满足在实际复杂场景应用，主要有以下几个问题。一、可视化特征不明显问题：小目标检测的难点在于目标特征不明显，可利用信息较少，若图像本身的分辨率比较低，则小目标可能只能用几个像素来表示，在可视化特征不明显的情况下，精准地检测小目标是现在面临的一大挑战；二、特征提取问题：在目标检测中，特征提取的好坏直接影响最终检测的性能，与大尺度目标相比，小目标的特征更难提取。大多数计算机视觉架构都会使用池化层，池化后小目标的某些特性也会被删除。在深度神经网络中提取有效的小目标特征也是当前面临的问题；三、背景干扰问题。复杂环境下的小目标检测会受到光照、复杂地理元素、遮挡、聚集等因素的干扰，因此难以将它们与背景或相似的目标区分开来，有效地改善复杂背景干扰也是当前面临的挑战。

发明内容

本发明针对现有技术不能精确检测小目标、特征难以提取和检测不能很好的满足实际复杂场景的问题，本发明提供一种基于特征增强的复杂场景下小目标检测方法。

为实现上述目的，本发明的技术方案如下：一种基于特征增强的复杂场景下小目标检测方法,包括以下步骤

步骤1、数据准备：数据集来源于航拍图像；

步骤2、数据增强：提出Cutout-DA数据增强方法，该方法首先在数据集中任意选取部分数据图像，然后通过对这些图像中的可见部分目标和全部目标，随机地按照目标大小比例的0.2、0.4、0.6、0.8进行部分位置的遮挡，生成新的遮挡数据扩充至Vi sDrone2021数据集中；

步骤3、设计多尺度融合的特征增强路径聚合网络MSFE-PANet；

步骤3.1：改进网络预测尺度

在YOLOv4中移除针对检测大目标预测头YOLO head3，但保留其所对应的13*13的特征图；同时，在预测网络中增加了由浅层高分辨率的特征图104*104生成的针对检测小尺度目标的预测头YOLO head0,生成新的网络预测尺度结构。

步骤3.2：特征层融合