1.一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,包括:步骤1:结合现有的雾天成像模型,通过改变雾的厚度和亮度,对原始海上小目标航拍数据集进行加雾,模拟出各种场景下的雾天图像,建立雾天场景下的海上小目标航拍图像数据集;
步骤2:在YOLOv5网络结构模型的基础上设置小目标的检测层,构建雾天条件下的海上小目标航拍图像目标识别模型;
步骤3:基于WIOU以及Wasserstein距离设置目标识别模型调优参数NWD,不断调整WIOU以及Wasserstein距离的权重,并利用步骤1建立的数据集对目标识别模型进行训练。
2.根据权利要求1所述的一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,所述步骤1针对每一张图片随机设置待加雾的亮度br和厚度th值,根据br和th设置值对原始海上小目标航拍数据集中的每一张图片进行不同程度的加雾处理操作。
3.根据权利要求1所述的一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,步骤2所述YOLOv5网络结构模型包括Backbone网络、Neck网络、Head网络;其中,Backbone网络用于提取图像特征,Neck网络用于融合不同层级的特征,Head网络用于预测目标的位置和类别。
4.根据权利要求1所述的一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,所述步骤2通过修改Head网络来添加160×160小目标的检测层并删除20×20的大目标检测层。
5.根据权利要求1所述的一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,步骤3所述调优参数为NWD=ω*WIOU+(1‑ω)*Wasserstein其中,ω为WIOU的权重;Wasserstein为归一化的二阶Wasserstein距离。
6.根据权利要求5所述的一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,所述WIOU为LWIOU=γRWIOULIOU
LIOU=1‑IOU
其中δ,α为超参数,γ为梯度增益,β为离群度, 是具有动量m的动态平均IOU值;
其中x,y和xgt、ygt分别是预测框和真实框的中心点坐标,Wg、Hg是真实框的宽和高, 为变量 转换成的常量,IOU为预测框与真实框交集的面积比上并集的面积。
7.根据权利要求5所述的一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,二阶Wasserstein距离计算方式为:先将边界框A=(cx,cy,w,h),其中(cx,cy),w,h分别表示为中心坐标、边界框宽度和高度,建模为二维高斯分布N(μ,Σ)计算Wasserstein距离定义并进行归一化,对于2个二维高斯分布μ1=N(m1+Σ1)和μ2=N(m2+Σ2)之间的二阶Wasserstein距离定义为式中||·||F为Frobenius范数,||·||2为2范数, 表示距离度量,m1,m2代表均值向量,Σ1,Σ2代表协方差矩阵;
因此对于2个边界框A和B,其中A=(cxa,cya,wa,ha),边界框B=(cxb,cyb,wb,hb),边界框的二维高斯分布NA和Nb的二阶Wasserstein距离为:
8.根据权利要求1所述的一种雾天场景下的海上小目标航拍图像识别模型训练方法,其特征在于,所述WIOU权重为0.6,Wasserstein距离的权重为0.4。