【技術實現步驟摘要】
本專利技術涉及目標檢測領域，具體是一種基于apan-yolov8網絡結構的小目標檢測方法。
技術介紹
1、目標檢測技術在各行各業、各領域中得到了廣泛的應用，如自主車輛系統中目標的快速檢測和識別，農業中作物、蟲害和病害的檢測和分類，生物識別中的面部檢測等，具有巨大的生產使用價值。近20年來，目標檢測技術得到快速的發展，先后涌現了大量的技術方法，包括被歸納為two-stage目標檢測的的slidingwindows、r-cnn、fast?r-cnn、fasterr-cnn，以及被歸納為one-stage目標檢測的yolo系列、ssd，以及基于以上基礎方法的優化改進模型。
2、目前在目標檢測任務中yolov8模型占據主導地位，其對模型速度和準確率近乎完美的平衡，得到了業界的廣泛關注。yolov8模型盡管取得了顯著的成功，但其在小目標（像素面積小于32*32?pixels的物體）檢測方面的性能仍存在巨大挑戰，雖然近期有些從業人員引入swin-transformer替換其backbone網絡進行高效特征提取，小幅度提升了其在小目標檢測任務上的能力，但其在大目標檢測上的ap仍然是小目標檢測的1.7倍，仍有較大的提升空間。
3、小目標檢測的困境主要來源于小目標32*32像素的區域難以提供更具信息量的特征，yolov8設計的用于特征二次提取和融合的neck網絡，對低信息量數據處理的能力欠佳。
技術實現思路
1、本專利技術要解決的技術問題是提供一種基于apan-yolov8網
2、為了解決所述技術問題，本專利技術采用的技術方案是：一種基于apan-yolov8網絡結構的小目標檢測方法，包括以下步驟：
3、s01）、采集待檢測區域的實時監測圖像，將實時監測圖像輸入至apan-yolov8網絡的backbone部分，backbone部分對實時監測圖像進行特征提取；
4、s02）、apan-yolov8網絡的neck部分舍棄其第21層，并額外增加一次上采樣層，特征提取后的圖像先重復2次逆卷積上采樣并與相應尺度的淺層特征融合作為第一個單向fpn，具體而言分別為第10層與第6層特征融合、第13層與第4層特征融合，融合后的結果輸入額外增加的上采樣層，得到上采樣結果并與第2層包含位置和細節信息的特征圖譜進行融合，然后帶入第18層的c2f2模塊進行特征圖譜尺度變換，第18層的結果輸入第19層的cbl模塊進行降維然后與第15層特征圖譜進行融合，融合結果帶入第21層的c2f2模塊進行特征圖譜尺度變換，第21層的結果輸入第22層的cbl模塊進行降維然后與第12層特征圖譜進行融合，融合結果帶入第24層的c2f2模塊進行特征圖譜尺度變換；
5、s03）、在第18、21、24層3種尺度的特征圖譜上進行檢測，實現目標定位和分類解耦。
6、進一步的，額外增加的上采樣層為在第14層后增加的15、16、17層，15層為c2f2模塊,16層為上采樣模塊，17層為融合模塊。
7、進一步的，對第18層的檢測器進行改造，引入aspp在擴大感受野的同時盡可能多的保留細節信息，改造后的檢測器包括兩個并行組，每組均包括abl層、cbl層和卷積層，其中abl層包括aspp層、bn層和激活層，擴大感受野的流程為：
8、s21）、輸入特征圖譜經過第一個1×1卷積構成的aspp?卷積層得到；
9、s22）、輸入特征圖譜經過由膨脹因子分別為6、12、18的3個3×3膨脹卷積組成的池化金字塔，依次得到、、，其值域都為；
10、s23）、輸入特征圖譜經過由自適應池化層、1×1卷積層和上采樣層組成的aspp?池化層得到；
11、s24）、將、、、、按通道并置得到，并帶入1×1卷積進行降維得到；
12、s25）、將帶入cbl模塊得到最終輸出結果，其中通道數n依據具體任務進行設置。
13、進一步的，對于ms-coco數據集目標檢測任務分類分支通道數，回歸分支通道數，其中表示分類任務的類別數，為超參數。
14、進一步的，第18層的c2f模塊輸出特征圖譜尺度為4，對于32*32像素區域的小目標，表征特征為8*8特征區域，第21層的c2f模塊輸出特征圖譜尺度為8，對于32*32像素區域的小目標，表征特征為4*4特征區域；第24層的c2f模塊輸出特征圖譜尺度為16，對于32*32像素區域的小目標，表征特征為2*2特征區域。
15、本專利技術的有益效果：本專利技術在標準yolov8網絡結構上擴充一次上采樣次數，以獲取更多有利于小目標檢測的淺層特征，同時移除不利于小目標檢測的深度特征detect頭，改造后的網絡結構為apan-yolov8；借鑒receptive?filed?based思想和aspp改進的neck結構apan（基于空洞空間卷積的路徑聚合網絡），實現從低信息量數據中盡可能提取到更有影響力、辨識度的特征。
16、本專利技術改造后的apan-yolov8網絡結構，可以充分融合淺層特征的位置和細節信息以及深度語義信息，為小目標提取更多有益于分類和回歸的特征，顯著增加了小目標的檢測能力。
17、apan特征提取模塊充分考慮了小目標周圍信息對區分其本身的貢獻力，且該結構實現了最淺層特征的有效判別，同時規避了細節信息損失和損失信息連續性的問題，是apan-yolov8的有效協同模塊。
本文檔來自技高網...【技術保護點】
1.一種基于APAN-YOLOv8網絡結構的小目標檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于APAN-YOLOv8網絡結構的小目標檢測方法，其特征在于：額外增加的上采樣層為在第14層后增加的15、16、17層，15層為C2f2模塊,16層為上采樣模塊，17層為融合模塊。
3.根據權利要求1所述的基于APAN-YOLOv8網絡結構的小目標檢測方法，其特征在于：對第18層的檢測器進行改造，引入ASPP在擴大感受野的同時盡可能多的保留細節信息，改造后的檢測器包括兩個并行組，每組均包括ABL層、CBL層和卷積層，其中ABL層包括ASPP層、BN層和激活層，擴大感受野的流程為：
4.根據權利要求2所述的基于APAN-YOLOv8網絡結構的小目標檢測方法，其特征在于：對于MS-COCO數據集目標檢測任務分類分支通道數?，回歸分支通道數，其中表示分類任務的類別數，為超參數。
5.根據權利要求1所述的基于APAN-YOLOv8網絡結構的小目標檢測方法，其特征在于：第18層的C2f模塊輸出特征圖譜尺度為4，對于32*32像素區
...【技術特征摘要】
1.一種基于apan-yolov8網絡結構的小目標檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于apan-yolov8網絡結構的小目標檢測方法，其特征在于：額外增加的上采樣層為在第14層后增加的15、16、17層，15層為c2f2模塊,16層為上采樣模塊，17層為融合模塊。
3.根據權利要求1所述的基于apan-yolov8網絡結構的小目標檢測方法，其特征在于：對第18層的檢測器進行改造，引入aspp在擴大感受野的同時盡可能多的保留細節信息，改造后的檢測器包括兩個并行組，每組均包括abl層、cbl層和卷積層，其中abl層包括aspp層、bn層和激活層，擴大感受野的流程...
【專利技術屬性】
技術研發人員：王宗增，王培元，尹青山，房蘭濤，李洪生，
申請(專利權)人：浪潮智能終端有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。