【技術實現步驟摘要】
本申請涉及圖像識別，具體為一種基于特征增強與像素反轉去霧的多尺度目標檢測方法。
技術介紹
1、在針對可涉水的智能車輛進行研發時，基于車載圖像采集設備，在車輛上搭載水下各類目標物檢測功能是必不可少研發方向。本司正在投入使用的申請號為cn202411020787.8的專利，其公開了一種輕量級水下目標視頻檢測方法，使用反殘差空洞卷積模塊搭建了輕量級的特征提取主干網絡，在卷積網絡深度卷積學習特征以及分類、定位回歸后使用ssh檢測頭來獲取多通道的檢測結果進行融合檢測，能夠實現水下目標檢測速度和檢測精度的良好權衡。然而在實際的應用中發現，現有的這個技術方案在對水下目標檢測時，在復雜背景情況下，當檢測目標物過小時檢測精度較低。
技術實現思路
1、為了解決現有技術中的水下目標視頻檢測方法，在復雜背景情況下當檢測目標物過小時檢測精度較低的問題，本申請提供一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其可以增強了網絡對于目標物尺寸變化的適應能力，有效地提高了小目標物的檢測精度。
2、本申請的技術方案是這樣的：一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于，包括以下步驟：
3、s1：構建特征增強模塊；
4、將se注意力機制模塊的嵌入到指定卷積層中構建所述特征增強模塊；
5、s2：構建多尺度目標檢測模型；
6、所述多尺度目標檢測模型包括：依次連接的預處理模塊、主干網和輸出層；
7、所述主干網以vgg16作為基礎網
8、在卷積層4、第二全連接fc層、卷積層6~卷積層9后面分別設置一個不同尺寸的預測模塊；
9、在卷積層4、第二全連接fc層和卷積層6中分別嵌入一個所述特征增強模塊；
10、卷積層4的輸出經過特征增強模塊進行特征增強處理后送入本層對應的所述預測模塊；
11、卷積層4和所述第二全連接fc層的輸出分別經過特征增強處理后經過一個卷積操作后，經過所述特征增強模塊進行特征增強處理，輸出結果記作：二次增強特征；將所述二次增強特征送入第二全連接fc層對應的預測模塊中；
12、所述卷積層6輸出經過特征增強模塊進行特征增強處理后，與所述二次增強特征經過一個卷積操作后，經過所述特征增強模塊進行特征增強處理，然后送入所述卷積層6對應的預測模塊中；
13、將所有預測模塊輸出的所有特征圖疊加得到最后的輸出結果；
14、s3：基于歷史數據構建訓練數據集和驗證數據集，基于所述訓練數據集對所述多尺度目標檢測模型進行訓練，得到訓練好的多尺度目標檢測模型；
15、s4：基于訓練好的多尺度目標檢測模型對待識別圖像進行識別。
16、其進一步特征在于：
17、所述特征增強模塊包括：依次連接的se注意力機制模塊、加強特征提取模塊和add操作；
18、在待處理卷積網絡層的指定通道的卷積操作之前添加所述se注意力機制模塊，所述se注意力機制模塊對指定通道輸出特征圖提取注意力權重；
19、通過scale操作將se注意力機制模塊提取的卷積層通道的注意力權重乘到該通道輸出的特征圖上，然后送入所述加強特征提取模塊中，進行加強特征提取操作；
20、最后，利用add方法，將所述加強特征提取模塊的輸出特征圖與下一層通道輸入特征圖進行連接，并將最終輸出特征圖的通道調整為下一層的通道的大小；
21、所述加強特征提取模塊包括：依次設置的卷積核為1*1的卷積操作、卷積核為3*3步長為2的卷積操作和卷積核為1*1的卷積操作；
22、所述預測模塊包括一個檢測器detector和一個分類器classifler；
23、所述預處理模塊包括：依次連接的圖像反轉操作、計算暗通道、大氣光強進行估算操作、透射率估算、傳輸優化和圖像反轉操作；
24、所述卷積層1~卷積層5的通道數依次設置為：64、128、256、512、512；
25、所述卷積層6~卷積層9對應的通道數依次設置為：512、256、256、256；
26、所述預測模塊對應的尺度分別為：38*38?、19*19、?10*10、?5*5、?3*3、1*1。
27、本申請提供的一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，在指定卷積層中引入se注意力機制結合加強特征提取模塊，構建了特征增強模塊，解決了多尺度特征融合過程中信道注意力的問題，減少了深層網絡中特征圖的上下文信息丟失，有效地提高了水下不同尺度生物識別的準確性；基于vgg16作為基礎網絡構建多尺度目標檢測模型的主干網絡，在卷積層4、第二全連接fc層和卷積層6中分別嵌入所述特征增強模塊，同時將主干網絡的卷積層4、第二全連接fc層和卷積層6分別經過特征增強模塊進行多尺度增強后堆疊連接起來并進行特征提取，實現了不同卷積層的特征融合操作，可以使淺層細節信息更多地被傳遞到深層，從而提取更加豐富的信息；本申請采用特征融合策略并且融合了特征增強模塊，充分提取不同層次和不同尺度的特征，減少了特征傳播過程中的信息損失，提高了網絡的表現水平。本方法通過設置6個預測模塊，提取六種不同尺度的特征圖來適應不同大小目標的檢測需要，這一策略極大地增強了網絡對于尺度變化的適應能力。
本文檔來自技高網...【技術保護點】
1.一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述特征增強模塊包括：依次連接的SE注意力機制模塊、加強特征提取模塊和add操作；
3.根據權利要求2所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述加強特征提取模塊包括：依次設置的卷積核為1*1的卷積操作、卷積核為3*3步長為2的卷積操作和卷積核為1*1的卷積操作。
4.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述預測模塊包括一個檢測器Detector和一個分類器Classifler。
5.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述預處理模塊包括：依次連接的圖像反轉操作、計算暗通道、大氣光強進行估算操作、透射率估算、傳輸優化和圖像反轉操作。
6.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述卷積層1~卷積
7.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述卷積層6~卷積層9對應的通道數依次設置為：512、256、256、256。
8.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述預測模塊對應的尺度分別為：38*38?、19*19、?10*10、?5*5、?3*3、1*1。
...【技術特征摘要】
1.一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述特征增強模塊包括：依次連接的se注意力機制模塊、加強特征提取模塊和add操作；
3.根據權利要求2所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述加強特征提取模塊包括：依次設置的卷積核為1*1的卷積操作、卷積核為3*3步長為2的卷積操作和卷積核為1*1的卷積操作。
4.根據權利要求1所述一種基于特征增強與像素反轉去霧的多尺度目標檢測方法，其特征在于：所述預測模塊包括一個檢測器detector和一個分類器classifler。
5.根據權利要求1所述一種基于特征增強與...
【專利技術屬性】
技術研發人員：蓋澤宇，馬龍雨，梁騰，
申請(專利權)人：無錫車聯天下信息技術有限公司，
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。