申请/专利权人：西北大学

申请日：2023-12-19

公开（公告）日：2024-03-26

公开（公告）号：CN117765240A

主分类号：G06V10/25

分类号：G06V10/25;G06V10/44;G06V10/52;G06V10/82;G06V20/13;G06V20/17;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种自适应卷积和细节增强的小目标检测方法，包括：基于Pytorch框架下的Ultralytics搭建一阶段卷积神经网络，卷积神经网络的主干网络采用自适应卷积小目标检测主干，自适应卷积网络中的卷积核是一系列具有不同感受野的分解深度卷积。通过将不同分辨尺度的特征信息进行融合，同时关注到不同采样深度下的图像信息，利用浅层的全局和背景的特征来修正深层特征的误差，关注更多上下文信息。本发明能够完成实时的小目标检测任务，可以应用于民用的消防、测绘领域或用于军用侦查和战场巡逻工作。

主权项：1.一种自适应卷积和细节增强的小目标检测方法，其特征在于，包括以下步骤：基于Pytorch框架下的Ultralytics搭建一阶段卷积神经网络，卷积神经网络的主干网络采用自适应卷积小目标检测主干，自适应卷积网络中的卷积核是一系列具有不同感受野的分解深度卷积：U0＝X,Ui+1＝FidwUi其中，U0表示输入张量组成的原始特征向量；X表示输入张量；Ui表示具有核ki和膨胀度di的深度卷积，Fidw表示解耦卷积操作，i表示解耦卷积操作的序数，i＝1～N，N表示卷积操作的总次数；设有N个分解的核，每个核都由一个1×1的卷积层处理，从而实现对每个空间尺度的特征向量进行信道混合； 其中，Fi1×1表示1×1的卷积层操作，表示经由卷积层处理后的特征向量；使用一种空间选择机制，从不同尺度的大卷积核中从空间维度来选择卷积核，对不同尺度感受野的特征进行拼接操作： 其中，表示concat拼接操作后的特征向量；使用平均池化Pavg和最大池化Pmax对空间特征进行提取，分别得到经过平均池化得到的空间特征组SAavg和经过最大池化得到的空间特征组SAmax： 采取一层卷积层F2→N将两个通道的空间特征转换为N个空间注意力特征： 其中，为空间注意力特征；针对每一个空间注意力特征通过解耦卷积，得到其对应的空间选择掩膜 其中，σ表示解耦卷积操作；对所有的掩膜进行加权处理，使用卷积层F进行特征融合，得到注意力特征S： 如此，自适应卷积模块的输出Y确定为输入特征X与注意力特征S的点积：Y＝X·S；使用训练集，训练搭建的一阶段卷积神经网络；采集任务场景中的目标图像，将目标图像输入到训练好的网络执行检测任务。

全文数据：

权利要求：

百度查询： 西北大学 一种自适应卷积和细节增强的小目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD