1.一种面向复杂场景基于浅层特征增强的小目标检测方法,其特征在于,所述方法包括以下步骤:步骤A:获取复杂场景下的小目标图像,并划分为训练集与测试集,然后加载模型,并对相关参数进行初始化;
步骤B:对训练集样本中的每一幅图像进行预处理,并将预处理后的图像加载到模型中;
步骤C:在模型骨干网络中进行图像特征的提取,并将提取后的特征送入到特征融合部分进行多尺度融合;
步骤D:根据融合后的特征,计算出模型的损失函数,然后最小化损失函数,通过梯度下降算法更新模型的参数;
步骤E:训练完保存最优的模型参数权重,用于后续模型的测试;
步骤F:对测试集的图像进行预测,根据步骤E训练好的模型参数权重,预测出目标的位置与类别,然后通过非极大值抑制得到最终的预测结果;
其中,步骤C所述在模型骨干网络中进行图像特征的提取,并将提取后的特征送入到特征融合部分进行多尺度融合具体为:步骤C1、将步骤B所述预处理后的样本图像作为骨干网络的输入,在骨干网络每个输出层的后面添加注意力模块:该注意力模块由输入、通道注意力模块、空间注意力模块和输出组成,假设输入特征图为,然后经过通道注意力模块后产生特征图,将结果与输入特征图相乘形成输出特征图,再将作为输入经过空间注意力模块后产生特征图,最终将结果与输入特征图相乘形成最后的输出特征图,其中表示元素级相乘;通道注意力模块更加关注输入图像中的类别信息,空间注意力模块更加关注输入图像中的位置信息,两种模块相结合能够改变原始特征通道的权重信息,从而增强有效特征并抑制无效特征;此外,在骨干网络而不是特征融合部分加入注意力模块可以进一步减少模型的参数,因为特征融合部分包含的参数比骨干网络的更多;
步骤C2、将原始SPPF模块分为两个部分来减轻计算负担:第一部分使用原始的SPPF模块进行处理,在多个尺度上提取更多的隐藏特征,第二部分只使用一个卷积模块进行处理,最后将这两个部分的输出连接在一起,并传递到特征融合部分;
步骤C3、将骨干网络提取到的特征进行多尺度融合:在特征融合部分中,去掉了PANet中最大尺度的检测头,同时添加了一个小尺度的检测头,这有效地从图像中提取了更丰富的浅层信息,并减少了由附加检测头增加的额外参数;融合过程具体如下:首先,骨干网络第二层到第五层输出的精细特征被传递到SPAN特征金字塔中;接下来,在这个特征金字塔中,使用转置卷积对大尺度特征图进行上采样,并与旁边的小尺度特征图进行连接;然后,使用GSConv对小尺度特征图进行下采样,并与其旁边的大尺度特征图进行连接;最后,将下采样过程中融合后的特征传递到检测头进行预测。
2.根据权利要求1所述的方法,其特征在于,步骤B所述的对训练集样本中的每一幅图像进行预处理,具体为:步骤B1、将四张图像通过随机缩放、随机裁剪、随机排布的方式拼接成一张图像,这不仅丰富了图像的背景,还大大增加了模型读入图像的数量;
步骤B2、当定义的锚框尺寸不适合训练集时,使用k均值算法对训练集的边界框标签进行聚类,使得生成的锚框尺寸更加适合训练集图像;
步骤B3、将读入的图像缩放成640×640像元固定大小,统一为固定大小的尺寸,模型能一次性处理更多的图像,检测的速度会得到提升。
3.根据权利要求1所述的方法,其特征在于,步骤D所述计算出模型的损失函数具体为:步骤D1、损失函数由三部分组成;第一部分是回归损失,这里使用SIoU损失函数计算,而不是常用的CIoU损失函数;SIoU损失考虑到了角度损失,并且可以对远离真实框的预测边界框添加更多的惩罚;SIoU损失函数如下:其中,是预测框与真实框的交并比,是角度和距离损失,是形状损失;
步骤D2、损失函数的第二部分是分类损失,它代表目标的分类误差,的值越小表示预测标签越接近真实标签;
步骤D3、损失函数的第三部分是置信度损失,它被用来排除空的预测框;总损失函数是这三种损失的线性加权组合:其中,,,分别代表回归损失、分类损失和置信度损失的权重。