CN119399448A 一种自适应增强下多尺度感受野的低照度目标检测方法 （南京邮电大学）

一种自适应增强下多尺度感受野的低照度本发明提供一种自适应增强下多尺度感受Global模块、RCSOBEL模块、LSKADCN模块优化和多尺度感受野的低照度目标检测模型；步骤低照度目标检测模型，输出低照度目标检测结2步骤一：通过优化Yolov8目标检测算法，构建基于步骤三：将待测的低照度图像输入到所述训练好的低照2.根据权利要求1所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其3.根据权利要求1所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其4.根据权利要求3所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其首先将输入特征图经过3x3大小的逐深度卷积，然后经过两个全连接层分别生成自注意力机制里所需要的value(V)和key(K)，将query(Q)随机初始化，利用Q和K，计算出3k再经过一个多层感知器，最终输出十个参数，分别代表3x3的色彩矩阵和1维的gamma5.根据权利要求3所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其6.根据权利要求1所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其将输入的特征图经过RepConv模块；分别经过两次EIESA模块；将三次输出7.根据权利要求6所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其8.根据权利要求6所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其将得到的特征图分别乘以所述权重值，经过残差连接后，在通道9.根据权利要求1所述的一种自适应增强下多尺度感受野的低照度目标检测方法，其特征图经过一个3x3大小的可变形分组卷积，使得注意力根据数据特征自适应的改将输出的注意力图和输入特征相乘以进行自适45[0002]目标检测是一种通过计算机算法自动识别和定位图像或视频中的目标物体的一目前的大多数目标检测器都是在正常条件下的高质量图像中进行研究的。在真实环境中，[0008]在Yolov8前引入Global模块用以生成预测控制图像全局信息的色彩6[0020]进一步的，所述经过cross_attention模块从高维特征中得到3×3的色彩矩阵和[0024]再经过一个多层感知器，最终输出十个参数，分别代表3x3的色彩矩阵和1维的gamma(γ)数值。[0028]进一步的，所述在Yolov8中设计RCSOBEL模块，以从特征中学习更丰富的特征表7[0033]将输入特征图按通道方向平均分割为四个特征图，其中每个特征图分别经过[0046]本发明在主干网络增加了一个图像自适应增强的Globel模块，使用自注意力机[0047]本发明设计了能够学习到更加丰富特征表示的特征提取的EIESA模块，该模块结合了提取边缘信息的SobelConv分支和提取多样空间信息的repVGG分支以及提取关键特征[0048]本发明设计了一种可变性大核可分离注意力结构LSKADCN模块，采用LSKA以较小8[0050]图1为本发明一种自适应增强下多尺度感受野的低照度目标检测方法流程示意[0061]本发明的自适应增强下多尺度感受野的低照度目标检测方法，具体包括如下步[0063](一)在Yolov8前引入Global模块用以生成预测控制图像全局信息的色彩矩阵和[0065](三)在Yolov8中设计可变形大核可分离注意力的LSKADCN模块，用以对Yolov8中[0067]其中(一)是在Yolov8前引入Global模块用以生成预测控制图像全局信息的色彩9[0071]S2、经过cross_attention模块从高维特征中得到3×3的色彩矩阵和γ值，具体有一个激活函数(GELU函数)和一个Dropout层。1×1的卷积层能够在空间维度上保持相同次特征映射中聚合所有多尺度感受野的多样化特征，可以克服密集连接的低效率问题。像中强度的突然变化，因此可以很好地捕捉图像的边缘特征，从而获得重要的边缘信息。[0126]使用torch.transpose函数交换维度1和2(即4和num_[0130]其中(三)是为在Yolov8主干网络中设计可变形大核可分离注意力LSKADCN模块，这四步输出的特征图按通道拼接(concat)，再经过一个[0136]LSKA进一步的将上述的深度卷积核深度膨胀卷积的k×k卷积核分为级联的1×k于有用信息。给定一个输入特征图的大小为1×(2d_1)的深度卷积核和大胀卷积核和大小为(k/d)×1的深度膨胀卷积核进行卷积的输出，其中[.]表示向下取整操[0149]1.输入特征图经过卷积核大小为3×3的可变[0151]3.经过一个1×1卷积(1×1conv)，将得到的特征图进行不同通道之间的信息混共7363张低光图像。图像包含从超级弱光环境到普通弱光环境的共10种不同的光照条件。所提出的模块对低光照目标检测模型性能的提升是有效的。在低光照目标检测上总体0.41Yolov8n+Global+RCSOBEL+[0179]本发明的模型提出的改进方法有着一定的优势，比原始Yolov8n在mAP50上高出2.4比YOLOv10n在mAP50上高出4.8比YOLOv5在mAP50上高出，比RT_DETR在mAP50上高[0181]本发明在主干网络增加了一个图像自适应增强的Globel模块，使用自注意力机[0182]本发明设计了能够学习到更加丰富特征表示的特征提取的EIESA模块，该模块结合了提取边缘信息的SobelConv分支和提取多样空间信息的repVGG分支以及提取关键特征[0183]本发明设计了一种可变性大核可分离注意力结构LSKADCN模块，采用LSKA以较小[0189]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用