1.一种基于注意力机制的自适应微小目标检测方法,其特征在于:所述方法包括如下步骤:S1,获取数据集:通过图像采集设备采集小目标图像,并对图像进行标注,将数据集划分为训练集和验证集,S2,构建特征增强模块,
S3,构建自适应稀疏卷积检测头,
S4,构建基于注意力机制的自适应微小目标检测模型:包括主干网络、颈部网络、检测头,将特征增强模块加入主干网络中,使用自适应稀疏卷积检测头代替原始检测头,S5,确定最终的微小目标检测模型:使用训练集训练基于注意力机制的自适应微小目标检测模型,使用验证集评估微小目标检测模型;
其中:所述S2中,所述特征增强模块通过对层特征图进行全局平均池化得到全局特征向量,利用卷积调整该向量通道数,经双线性插值上采样后与层特征图相加融合,提高FPN 层的特征图表示,具体步骤包括:S21,全局平均池化,对最高层特征图进行全局平均池化,即对每个通道的特征值求平均,得到一个通道数相同、空间维度为的全局特征向量,这个向量代表整个图像的全局上下文信息,S22,卷积调整:通过的卷积层对全局平均池化得到的全局特征向量进行通道数的调整,以匹配原始最高层特征图的通道数,以便于后续的融合操作,S23,双线性插值上采样,将经过卷积调整后的全局特征向量进行双线性插值上采样,使其空间尺寸与层特征图相匹配,S24,特征融合,将双线性插值上采样后的全局特征图与双线性插值层横向连接特征图进行相加融合;
所述S3中,自适应稀疏卷积检测头利用通道注意力机制量化每个FPN层的特征通道重要性,得到权重,根据这些权重动态决定是使用稀疏卷积检测头还是普通检测头,自适应稀疏卷积检测头的自适应过程包括以下步骤:S3,构建自适应稀疏卷积检测头,
S31,利用通道注意力机制量化每个FPN层的特征通道重要性,得到权重,定义FPN的输出为特征图列表,其中,列表中的每个值对应FPN一个特定层级的特征图输出,代表FPN的第层,其中,表示为:;
使用通道注意力网络对特征图列表进行处理,得到一个注意力分数列表,其中对应FPN第层注意力分数输出,表示为:;
S32,设定阈值,将步骤S31中的注意力分数与阈值进行比较以确定是否在特定的FPN层级上使用含稀疏卷积的检测头,阈值表示为,如果,转入步骤S33,否则,转入步骤S34;
S33,FPN的第层使用含有稀疏卷积的检测头进行检测,输出检测结果,表示为:;
S34,使用普通的检测头进行检测,检测结果为:
。
2.根据权利要求1所述的一种基于注意力机制的自适应微小目标检测方法,其特征在于:所述S1中,采用各种类型的无人机拍摄不同环境下不同密度的行人、车辆、自行车作为目标数据集。
3.根据权利要求2所述的一种基于注意力机制的自适应微小目标检测方法,其特征在于:步骤S4中,基于RetinaNet框架构建,针对FPN各层特性进行优化以提高微小物体检测性能。
4.根据权利要求3所述的一种基于注意力机制的自适应微小目标检测方法,其特征在于:所述S31中,通道注意力网络由一个全局平均池化层和两个全连接层按顺序串联而成,第一个全连接网络使用ReLU激活函数,第二个全连接层使用Sigmoid激活函数,具体步骤包括:步骤一:给定一个特征图,其大小为,对特征图进行全局平均池化,使用如下公式将该特征图的大小压缩为:其中表示第个通道的全局平均值,即代表从被压缩为的特征图,C表示通道个数,表示特征图的高度,表示特征图的宽度,表示输入特征图在通道和空间位置的元素,步骤二:把输入到两个全连接层中进行处理,第一层全连接网络用于特征降维,第二个全连接层将特征向量进一步转换成一个单一的标量输出,对于第一个全连接层,使用下式进行处理:
其中是经过第一个全连接层和ReLU激活函数处理后的结果,和分别是第一个全连接层的权重和偏置,ReLU是激活函数,对于第二个全连接层,使用下式进行处理:
其中,和是第二个全连接层的权重和偏置,是Sigmoid激活函数,其中是介于0和1之间的数值,代表着注意力权重。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现如上述权利要求1至4中的任意一项所述的一种基于注意力机制的自适应微小目标检测方法。
6.一种计算机可读存储介质,其上存储有计算机指令,其特征在于:该计算机指令被处理器执行时实现如权利要求1-4中任一项所述一种基于注意力机制的自适应微小目标检测方法。