CN118314477B 一种面向无人机红外探测的小目标实时识别方法及系统 （中国科学院国家空间科学中心）

号一种面向无人机红外探测的小目标实时识种面向无人机红外探测的小目标实时识别方法于LCPAN改进的特征融合颈部网络以及目标检测用于将不同尺度的小目标特征进行融合以生成机红外弱小目标的特性，有效提高了识别准确2所述识别模型包括：基于LCNet改进的特征提取主干网络、基于LCPA所述特征融合颈部网络，通过将特征金字塔结构融入更低层特征，以Block1包括1个Conv2D卷积层、1个BatchNorm2D批量归一化层以及一个Hard_Swish激Block4包括2层3x3深度可分离卷积层，其中第1层输入通道数为64，输出通道数为Block5包括1层3x3深度可分离卷积层和5层5x5深度可分离卷积层，其中3x3卷积层和前3层5x5卷积层均不使用SE模块，后2层5所述特征融合颈部网络将LCPAN中的用于特征金字塔网络的特征图层级将预处理后的数据集输入识别模型，通过计算损失函数，并通过以[256,288,320,352,384]中的任意尺寸对图像进行随机大小调整用来数据增广；通过3Permute操作改变图像维度顺序以确保数据维度与模型所期望的输入维度相匹配；通过PadGT操作对图像进行填充以确保满足模型训练述损失函数包括乘以第一权重系数的目标分类网络损失函数和乘以第二权重系数的回归6.一种基于权利要求1的面向无人机红外探测的小目标实时识别方法的系统，其特征所述识别模型包括：基于LCNet改进的特征提取主干网络、基于LCPA所述特征融合颈部网络，通过将特征金字塔结构融入更低层特征，以4以通过调整网络结构减少计算量，具有特征提取能力和泛化能力强以及实时性高的优势。深度学习算法分为单阶段算法和两阶段算法两类。基于候选区域的两阶段算法，例如R_[0009]所述特征提取主干网络引入SE模块，用于提取输入图像中不同尺度的小目标特5[0012]优选的，所述特征提取主干网络包括6个Block，分别为Block1～Block6，每个Block内部采用深度可分离卷积和可选的SE模块来提取特征，并通过前向传播函数输出不[0013]Block1包括1个Conv2D卷积层、1个BatchNorm2D批量归一化层以及一个Hard_[0019]优选的，所述特征融合颈部网络将LCPAN中的用于特征金字塔网络的特征图层级过Permute操作改变图像维度顺序以确保数据维度与模型所期望的输入维度相匹配；通过PadGT操作对图像进行填充以确保满足模型训练过程中的6[0033]所述特征提取主干网络引入SE模块，用于提取输入图像中不同尺度的小目标特型训练时，将无人机采集的原始红外图像进行裁剪、翻转等预处理操作后送入改进后的7[0051]所述数据格式转换处理，用于将原HIT_UAV数据集YOLO格式转换成便于网络处理式XML标注文件。具体方法是首先创建一个字典dic将classes.txt文件中的类别编号映射文档和annotation元素并打开对应的TXT文件并读取内容；②使用cv2.imread读取对应的其特征在于，以50％的概率随机翻转图像以助于模型学习对方320,352,384]中的任意尺寸对图像进行随机大小调整用来数据增广；通过Permute操作改变图像维度顺序以确保数据维度与模型所期望的输入维度相匹配；通过PadGT操作对图像[0053]所述基于LCnet改进的主干网络包括：6个Block，分别为Block1_Block6，每个Block内部采用深度可分离卷积和可选的SE模块来提取特征，并通过前向传播函数输出不[0054]所述Block1包括一个Conv2D卷积层、一个BatchNorm2D批量归一化层以及一个[0056]所述Block5包括1层3×3深度可分离卷积层和5层5×5深度可分离卷积层。其中38[0058]作为上述方法的一种改进，所述改进的LCnet主干网络通过在Block5引入SE模块[0059]所述基于LCPAN改进的颈部网络，用于将Backbone提取出的不同尺度特征进行融长可以改变特征图的分辨率从而影响小目标的检测能力。根据HIT_UAV数据集特点将原模头网络和分类回归网络。将N+1个特征层送入PicoheadV2四检测头网络进行目标分类和回[0063]所述目标分类与回归网络用于对头部网络处理得到的物体类别和位置信息预测[0068]本发明的实施例1提出了一种面向无人机红外探测的小目标实时识别方法。具体9网络和LCPAN网络。根据无人机红外小目标数据特点将特征金字塔网络的特征图层级改进整步长可以改变特征图的分辨率从而影响小目标的检测能力。根据HIT_UAV数据集特点将2_1_2_1_2_1_2_1√2√1_1_1_[0081]本发明的实施例2提出了一种面向无人机红外探测的小目标实时识别系统，基于[0084]所述特征提