1.一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:包括以下步骤:(1)生成标签数据:根据获取的图像数据,利用图像标注工具在图像数据中标注小目标物位置,生成目标物图像‑标签数据;
(2)图像预处理:对步骤1中的图像数据进行增强处理,包括图像去燥、图像锐化和图像均衡化操作;
(3)参数初始化:对检测方法中涉及到的参数进行初始化;
(4)创建数据集:对步骤2的图像‑标签数据进行图像‑标签筛选,确保图像数据和标签数据一一对应;根据步骤3设置的初始参数,对图像进行尺寸调整和通道归一化,将标签数据转化为格网数据;根据训练集和测试集比例将数据集划分为训练数据和测试数据;
(5)构建目标检测模型:模型框架记为BatNet,它主要包括骨架网络,注意力机制模块和上下文聚合网络三部分;骨架网络由轻量级的Conv1模块、一系列串联的Block模块和Regressor模块构成;
注意力机制模块采用轻量级的卷积块注意力模块;上下文聚合网络由浅层的上下文特征图和深层的目标特征图进行通道聚合构成;利用上下文聚合网络,可以将浅层的目标物具象信息和深层的目标物语义信息相融合,从而减缓目标物信息在网络传递中的衰减,特别是小目标物信息;
(6)模型训练:根据步骤3设置的初始参数,使用步骤4中得到的训练集来训练检测模型直到收敛,记录并保存最优的模型权重,获得最优的网络模型;
(7)目标检测:加载已经保存的最优网络模型权重,利用步骤5构建的目标检测模型进行目标物检测;
(8)后处理:根据步骤3设置的初始参数,对检测出的边框进行非极大值抑制去重处理,对边框的坐标进行空间变换,还原为图像绝对坐标,并使用步骤4中得到的测试集进行测试。
2.根据权利要求1所述的一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:所述步骤(1)中,标签数据格式为JSON或XML。
3.根据权利要求1所述的一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:所述步骤(2)中,图像去燥方法主要采用卷积核为3×3的中值滤波消除椒盐噪声;图像锐化主要使用4领域的拉普拉斯算子(Laplace Operator)突出地物轮廓;图像均衡化方法主要为全局直方图均衡化,以此保持图像各区域亮度一致性及提高部分区域图像清晰度。
4.根据权利要求1所述的一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:所述步骤(3)中,需要初始化的参数主要包括:分类数量CLS_NUM,格子尺寸S,每个格子预测的边框数B,图像尺寸IMG_SIZE,批次大小BATCH_SIZE,学习率LR,损失阈值LOSS_THR,置信度阈值CONF_THR,交并比阈值IOU_THR。
5.根据权利要求1所述的一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:所述步骤(4)中,根据设置的图像尺寸IMG_SIZE对图像数据按最近邻域法进行重采样并对标签数据进行尺寸变换;图像数据经通道归一化后可转换为值域为[‑1,1]的张量;根据设置的格网数S将标签数据转化为格网数据,同时将标签边框坐标由图像绝对坐标变换为格网相对坐标。
6.根据权利要求1所述的一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:所述步骤(5)中,骨架网络由Conv1模块、Block1模块、Block2模块、Block3模块、Block4模块和Regressor模块串联构成;
注意力机制模块包括Attention1和Attention2;Attention1和Attention2分别连接在Conv1模块和Block1模块后面;
上下文聚合网络包括Feature Fusion1和Feature Fusion2;Feature Fusion1连接在Attention1模块、Block1模块和Block4模块后面,Feature Fusion2连接在Attention2模块、Block2模块和Block4模块后面;
在Conv1模块中,卷积核为3的基础卷积(Conv)操作和跨度为2的最大池化操作将对输入特征图进行4倍的降采样;
在基础卷积模块Conv中,卷积运算、BatchNorm批量归一化和ReLU线性映射构成了三层网络模块;
Block模块以SqueezeNet模型的Fire模块为基础单元,通过堆积不同的Fire模块和连接池化层构建有效的Block;Fire模块包括压缩层和扩展层两部分;压缩层由一组连续的1×1卷积组成,扩展层则是由一组连续的1×1卷积和一组连续的3×3卷积拼接组成;使用1×1卷积和3×3卷积的特殊组合大幅度降低参数量;其中,Block1和Block2具有相同的结构,均包含2个Frie模块和1个最大池化层;它们的区别在于通道数不同;经过Block1和Block2操作,输入图像的空间尺寸分别降为原尺寸的1/8和1/16,Block3包含4个Frie模块和1个最大池化层,用于进一步增加网络深度;经过Block3操作,输入图像的空间尺寸分别降为原尺寸的1/32;Block4包含2个Frie模块和1个全局平均池化层,用于将特征图空间尺寸降低到目标特征图大小;
在上下文聚合网络中,上下文特征图分别经过1×1卷积模块,3×3卷积模块,全局平均池化和通道聚合后形成聚合特征图;其中卷积模块仍由卷积运算、BatchNorm批量归一化和ReLU线性映射构成;采用1×1卷积操作用于减少上下文特征图的通道数,即将其缩减为目标特征图通道数的r倍,r取值为[0.1,0.5],这样处理是为了确保上下文信息的数量不会遮盖目标特征图本身;采用3×3卷积操作用于第一次下采样;全局平均池化操作用于直接下采样;最后,对上下文特征图进行通道聚合,形成聚合特征图,并和目标特征图再次进行通道聚合,送入回归器Regressor中进行训练或预测;
Regressor模块采用三层串联的1×1卷积运算取代了常规的全连接层以此降低参数量,最后进行Sigmoid函数映射;
其中卷积模块仍由卷积运算、BatchNorm批量归一化和ReLU线性映射构成;目标特征图经过回归器处理后,会得到空间大小为S×S,通道数为C的特征图向量;该特征图向量经过训练后,可用于目标检测;
类似YOLO模型的设计思路,每个特征向量包含了B个预测边框和一个分类概率;其中B个预测边框分别用来预测B个目标(如果边框有重叠,视为一个目标),且每个边框均为5维向量,它包含目标存在概率conf、左上角坐标(x,y)和目标尺寸(w,h);
若检测目标包含CLS_NUM类,因此通道数C为B*5+CLS_NUM。
7.根据权利要求1所述的一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:所述步骤(6)中,优化器使用RMSprop算法,学习率衰减采用等间隔调整StepLR策略;
当检测模型的损失函数值低于损失阈值LOSS_THR时,被认为是训练收敛,结束训练。
8.根据权利要求1所述的一种耦合注意力和上下文的轻量化小目标检测方法,其特征在于:所述步骤(8)中,NMS去重处理首先筛选置信度高于阈值CONF_THR的边框,再依据交并比阈值IOU_THR,去除高重合率的边框;边框的坐标变换由格网的相对坐标变换为图像的绝对坐标。