本發(fā)明涉及計(jì)算機(jī)圖像處理領(lǐng)域，具體涉及一種受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法。

背景技術(shù)：

1、目標(biāo)檢測(cè)的目的是對(duì)圖像中的實(shí)例進(jìn)行分類，并在其周圍繪制邊界框進(jìn)行定位，計(jì)算機(jī)視覺的一個(gè)非常重要的核心方向，與分類、分割并稱為cv三大主要任務(wù)。遙感目標(biāo)檢測(cè)是目標(biāo)檢測(cè)在地球科學(xué)領(lǐng)域的一項(xiàng)重要應(yīng)用，存在著目標(biāo)微小且分布密集等挑戰(zhàn)。由于深度學(xué)習(xí)迅猛發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)的目標(biāo)檢測(cè)方法發(fā)展迅速。這些方法的大部分采用“backbone-neck-head”的一階段目標(biāo)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)，通過改進(jìn)特征提取方式，設(shè)計(jì)特征融合方法取得了不錯(cuò)的性能表現(xiàn)。實(shí)驗(yàn)證明，這些模型在人工智能微小目標(biāo)檢測(cè)數(shù)據(jù)集(ai-tod)上取得了顯著的效果。

2、雖然基于cnn的一階段目標(biāo)檢測(cè)方法取得了顯著效果，但是對(duì)于光學(xué)遙感圖像目標(biāo)，尤其是其中的極小目標(biāo)(very?tiny?object)，其檢測(cè)性能仍有待提升。同時(shí)，單純通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建目標(biāo)檢測(cè)方法的方式雖然能夠提升性能表現(xiàn)，但由于缺乏生物視覺機(jī)制的指導(dǎo)增加了更多不可解釋性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在提供一種受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，該方法能夠有效提取細(xì)節(jié)特征信息，從而獲得更加準(zhǔn)確的檢測(cè)效果。

2、本發(fā)明的技術(shù)方案如下：

3、所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，包括以下步驟：

4、a、構(gòu)建神經(jīng)網(wǎng)絡(luò)，所述的神經(jīng)網(wǎng)絡(luò)包括backbone網(wǎng)絡(luò)、neck網(wǎng)絡(luò)、backbone?neckhead模塊；

5、其中，backbone網(wǎng)絡(luò)包括依次連接的第一卷積層、第一xyw?a模塊、第一xywconv模塊、第二卷積層、第二xyw?a模塊、第二xywconv模塊、第三卷積層、第三xywconv模塊、sppf模塊；

6、sppf模塊即空間金字塔池化融合模塊；

7、b、原始圖像輸入backbone網(wǎng)絡(luò)中，依次經(jīng)過第一卷積層、第一xyw?a模塊、第一xywconv模塊、第二卷積層、第二xyw?a模塊、第二xywconv模塊、第三卷積層、第三xywconv模塊、sppf模塊處理；第一卷積層、第二卷積層、第三卷積層均為下采樣操作；

8、其中第二xywconv模塊、第三xywconv模塊、sppf模塊的處理結(jié)果分別輸入neck網(wǎng)絡(luò)中處理，得到的結(jié)果輸入backbone?neck?head模塊處理，得到最終檢測(cè)結(jié)果。

9、所述的第一xywconv模塊、第二xywconv模塊、第三xywconv模塊結(jié)構(gòu)相同，分別包括x細(xì)胞通路、y細(xì)胞通路和w細(xì)胞通路；

10、所述的x細(xì)胞通路中處理過程如下：輸入結(jié)果分為兩路，一路依次經(jīng)過1×1卷積和relu函數(shù)處理后，得到第一路處理結(jié)果；另一路依次經(jīng)過3×3卷積和relu函數(shù)處理后，得到第二路處理結(jié)果；第一路處理結(jié)果和第二路處理結(jié)果相加融合得到輸出結(jié)果；

11、所述的y細(xì)胞通路中處理過程如下：輸入結(jié)果分為三路，第一路依次經(jīng)過1×1卷積和relu函數(shù)處理后，得到第一路處理結(jié)果；第二路依次經(jīng)過5×5膨脹卷積和relu函數(shù)處理后，得到第二路處理結(jié)果；第三路依次經(jīng)過9×9卷積和relu函數(shù)處理后，得到第二路處理結(jié)果；第一路處理結(jié)果、第二路處理結(jié)果、第三路處理結(jié)果相加融合得到輸出結(jié)果；

12、所述的w細(xì)胞通路中處理過程如下：輸入結(jié)果依次經(jīng)過1×3卷積、relu函數(shù)、3×1卷積、relu函數(shù)處理后，得到輸出結(jié)果。

13、所述的第一xyw?a模塊、第二xyw?a模塊結(jié)構(gòu)相同，分別包括通道注意力模塊和xyw空間注意力模塊；

14、輸入結(jié)果分為兩路，一路經(jīng)過通道注意力模塊處理，得到通道注意力處理結(jié)果；另一路經(jīng)過xyw空間注意力模塊處理，得到xyw空間注意力處理結(jié)果；

15、通道注意力處理結(jié)果和xyw空間注意力處理結(jié)果相乘融合后，所得結(jié)果與輸入結(jié)果相乘融合后，在于輸入結(jié)果相加融合得到輸出結(jié)果。

16、所述的xyw空間注意力模塊中也設(shè)有x細(xì)胞通路、y細(xì)胞通路和w細(xì)胞通路,xyw空間注意力模塊中處理過程如下：

17、輸入結(jié)果分為三路,第一路依次經(jīng)過x細(xì)胞通路、1×1卷積，得到第一路處理結(jié)果；第二路依次經(jīng)過y細(xì)胞通路、1×1卷積，得到第二路處理結(jié)果；第二路依次經(jīng)過w細(xì)胞通路、1×1卷積，得到第三路處理結(jié)果；第一路處理結(jié)果、第二路處理結(jié)果、第三路處理結(jié)果相加融合后得到輸出結(jié)果。

18、所述的neck網(wǎng)絡(luò)中處理過程如下：

19、sppf模塊的處理結(jié)果僅供上采樣后，與第二xywconv模塊的處理結(jié)果經(jīng)過concat函數(shù)拼接，得到處理結(jié)果n2，處理結(jié)果n2與第三xywconv模塊的處理結(jié)果經(jīng)過經(jīng)過concat函數(shù)拼接，得到處理結(jié)果n1，處理結(jié)果n1經(jīng)過下采樣后得到處理結(jié)果n0，處理結(jié)果n2和處理結(jié)果n1輸入backbone?neck?head模塊中；處理結(jié)果n2和處理結(jié)果n0輸入tdsa注意力模塊中處理，得到tdsa處理結(jié)果，輸入backbone?neck?head模塊中。

20、所述的backbone?neck?head模塊對(duì)處理結(jié)果n2和處理結(jié)果n0、tdsa處理結(jié)果進(jìn)行處理，得到最終輸出結(jié)果。

21、所述的tdsa注意力模塊中處理過程如下：

22、處理結(jié)果n0依次經(jīng)過上采樣與處理結(jié)果n2分辨率一致后，依次經(jīng)過concat函數(shù)、sigmoid函數(shù)處理得到處理結(jié)果gs，處理結(jié)果gs經(jīng)過張量運(yùn)算的廣播機(jī)制處理后，得到抑制注意力權(quán)重raw，然后與處理結(jié)果n2相乘融合后得到輸出結(jié)果。

23、所述的張量運(yùn)算的廣播機(jī)制計(jì)算公式為：

24、raw＝1-gs?(1)。

25、本發(fā)明方法設(shè)計(jì)了具有拮抗感受野的xyw卷積模塊，通過增強(qiáng)小目標(biāo)與周邊信息的對(duì)比度，更加有效的提取圖片中的小目標(biāo)信息。同時(shí)，受到生物視覺中自下而上與自上而下的注意力啟發(fā)，設(shè)計(jì)了兩種不同的注意力機(jī)制，更好的保留淺層特征層中的小目標(biāo)信息，抑制大目標(biāo)信息和背景信息，達(dá)到提升遙感小目標(biāo)檢測(cè)性能的目的。

26、本發(fā)明的網(wǎng)絡(luò)設(shè)計(jì)有生理視覺依據(jù)支撐，不同于一般的一階段目標(biāo)檢測(cè)模型，同時(shí)通過實(shí)驗(yàn)可以表明，我們提出的xywa模塊和tdsa模塊都可以帶來檢測(cè)性能的提升。

技術(shù)特征：

1.一種受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于：

3.如權(quán)利要求2所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于：

4.如權(quán)利要求3所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于：

5.如權(quán)利要求1所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于：

6.如權(quán)利要求5所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于：

7.如權(quán)利要求5所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于：

8.如權(quán)利要求7所述的受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，其特征在于：

技術(shù)總結(jié)
本發(fā)明旨在提供一種受生物視覺啟發(fā)的小目標(biāo)檢測(cè)方法，包括以下步驟：A、構(gòu)建神經(jīng)網(wǎng)絡(luò)，所述的神經(jīng)網(wǎng)絡(luò)包括Backbone網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)、backbone?neck?head模塊；其中，Backbone網(wǎng)絡(luò)包括依次連接的第一卷積層、第一XYW?A模塊、第一XYWConv模塊、第二卷積層、第二XYW?A模塊、第二XYWConv模塊、第三卷積層、第三XYWConv模塊、SPPF模塊；B、原始圖像依次經(jīng)過Backbone網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)、backbone?neck?head模塊處理，得到最終檢測(cè)結(jié)果。本發(fā)明方法能夠有效提取細(xì)節(jié)特征信息，從而獲得更加準(zhǔn)確的檢測(cè)效果。

技術(shù)研發(fā)人員：林川,楊進(jìn)林,王雄震,張家佳,文小蘭,潘勇才,張玉薇
受保護(hù)的技術(shù)使用者：廣西科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2