欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024115263747
申请人: 陕西师范大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于MS-CAM改进特征融合模块的弱小目标识别方法,其特征在于,包括以下步骤:步骤1.构建数据集

获取无人机航拍车辆行人图像数据集,对数据集进行重标注、色彩增强和镜像操作,将数据集划按照比例分为训练集、测试集;

步骤2.构建弱小目标识别模型

使用特征融合模块CCF替代YOLOv8基础模型中的特征提取网络Backbone的C2f模块,得到弱小目标识别模型;

所述特征融合模块CCF由第一卷积块、特征分解点Split模块、瓶颈模块、第二卷积块依次相连构成;所述第一卷积块,用于对输入图像进行初步特征提取,得到特征图;所述特征分解点Split模块,用于将所述特征图分割为两部分,一部分输入瓶颈模块进行深层次处理,另一部分直接与瓶颈模块输出的特征图拼接;所述瓶颈模块包括3-6层采取堆叠的方式连接的Bottleneck层,通过对输入特征图进行空间维度的缩减和通道数的增加,逐步提取输入特征图中的高层次特征信息;所述第二卷积块,用于对输入的特征图进行最后一次卷积并进行压缩,输出目标通道数的特征图;

所述Bottleneck层由1×1卷积块、3×3卷积块、第一多尺度注意力模块MS-CAM、第二多尺度注意力模块MS-CAM、残差连接单元依次连接构成;

所述1×1卷积块,用于降低初始输入特征图的通道数;

所述3×3卷积块,用于提取1×1卷积块输出的特征图的局部空间特征;

所述第一多尺度注意力模块MS-CAM,用于对输入特征图进行多尺度特征提取,计算每个特征通道的权重,强调重要特征抑制不重要特征,并注重全局上下文聚合;

所述第二多尺度注意力模块MS-CAM,用于在第一多尺度注意力模块MS-CAM处理过的特征上进一步进行精细化的通道权重计算,帮助模型区分目标的不同属性和细节;

所述残差连接单元,用于融合初始输入特征与第二多尺度注意力模块输出的特征,使浅层和深层的特征得以共享和复用;

步骤3. 训练弱小目标识别模型

使用训练集训练弱小目标识别模型,采用损失函数Inner-IoU引入不同尺度的辅助框进行计算,通过真实框与预测框的辅助框计算交并比,增强对小区域的关注;

步骤4.将测试集输入到训练完成的弱小目标识别模型中进行弱小目标识别,输出目标类别、边界框、置信度。

2.根据权利要求1所述基于MS-CAM改进特征融合模块的弱小目标识别方法,其特征在于:所述第一多尺度注意力模块MS-CAM包括全局信道、局部信道和激活函数Sigmoid;所述全局信道,计算输入特征图F的全局信道信息G//,所述局部信道,计算输入特征图F的局部信道信息L/,所述激活函数Sigmoid,将全局通道信息G//和局部信道信息L/结合,得到每个通道的注意力权重并应用于原始输入特征图F进行通道加权,得到注意力调制后的特征图F/;所述第二多尺度注意力模块MS-CAM与第一多尺度注意力模块MS-CAM结构相同。

3.根据权利要求2所述基于MS-CAM改进特征融合模块的弱小目标识别方法,其特征在于:所述计算输入特征图F的全局信道信息G//的步骤为:S1:按照下式对输入特征图F进行全局平均池化

式中,G是全局通道特征,尺寸为1×1×C,C是输入特征图F的通道数,H是输入特征图F的高度,W是输入特征图F的宽度;

S2:全局平均池化结果先通过两个全连接层进行降维,后使用ReLU函数升维,最后进行批处理归一化得到全局通道信息G//式中,是降维层,内核大小为,r是通道还原比,是升维层,内核大小为,是线性函数ReLU,B是批处理归一化。

4.根据权利要求2所述基于MS-CAM改进特征融合模块的弱小目标识别方法,其特征在于:所述计算输入特征图F的局部信道信息L/的公式为:式中,是点卷积操作,内核大小分别为和。