CN119478739A 一种无人机小目标检测方法、电子设备及存储介质 （南京邮电大学）

号网络检测模型输出结果与实际小目标验证数据2获取图像数据集，对所述图像数据集中的各图像进行预处理，机拍摄的图像和相应图像的小目标验证数据将预处理后的图像输入网络检测模型，计算所述网络检测模型输将待检测图像输入最优检测模型，输出无人机图像小目标检测结果，型指训练后将模型参数调整至最优后的网络所述检测头网络将融合后的特征图转换为目标检测所需的包括类别将由所述激活函数层输出的图像特征输入至特征网络，所述特征网将由所述第三特征子网络输出的特征数据输入至JCASA模块，所述JCASA将由所述SA模块输出的特征数据输入至空间金字塔模块，所述空间征Fch-in使用平均池化操作，MaxP将两个所述空间上下文描述符转发到共享网络以生成通道注意3其中，Conv1和Conv2都表示1*1的卷积，在channel的方向上做一次全连接，Act表示对所述新特征数据Fch-out分别沿通道维度执行最大池化和平均池化操作得到两个上下kv利用逐行topk运算符推导出索引矩阵并应用细粒度的token到token关注：对于区域i中的每个查询token，它将关注以liarlisr…liw为索引的k个路由区域的并集gggg确认二维输入特征X的自注意力计算：4获取预处理后的无人机图像的训练图像和小目标验证图像，其中，所述存储器存储有可被所述至少一个处理器执一个处理器执行，以使所述至少一个处理器能够执行如权利要求1_7中任一项所述的检测5度，但同时模型参数量也比较大。因此本发明利用CNN降低Transfomer中的自注意力计算[0006]本发明的目的在于提供基于一种无人机小目标检测方法6机拍摄的图像和相应图像的小目标验证数据型指训练后将模型参数调整至最优后的网络[0017]将由激活函数层输出的图像特征输入至特征网络，特征网络包括第一特征子网网络→第三特征子网络；所述第一特征子网络和第二特征子网络由CBS模块和C2f模块组入特征Fch-in使用平均池化操作，Max7[0029]对新特征数据Fch-out分别沿通道维度执行最大池化和平均池化操作得到两个上下[0037]利用逐行topk运算符推导[0043]获取预处理后的无人机图像的训练图像和小目标验证图像，输入至网络检测模8[0050]本发明在骨干网络中添加了创新结构JCASA模块，该模块主要由CBAM和SA串联组成，保证精度的同时避免了自关注的二次计算复杂性带来的过多开销；在SA模块中，[0056]图5是本发明一种无人机小目标检测方法实施例中不同检测算法的对比实验结机拍摄的图像和相应图像的小目标验证数据[0061]本发明采用图像丰富的VisDrone2019数据集(无人机拍摄图像数据集)，VisDrone2019的目标检测数据集由图像和相应的标注文件组成，其中训练集图像为64719型指训练后将模型参数调整至最优后的网络接得到骨干网络中第三特征子网络的输出P4(40*40*512)并将其与N1融合，即逐元素相加得到新的特征图；新的特征图再进入C2f模块进行不同尺度的特征融合，再输入至下一阶[0073]检测头网络的主要功能是将特征图转换为目标检测所需的具体信息，包括类别、[0078]将由激活函数层输出的图像特征输入至特征网络，特征网络包括第一特征子网网络→第三特征子网络；所述第一特征子网络和第二特征子网络由CBS模块和C2f模块组入特征Fch-in使用平均池化操作，Max[0093]对新特征数据Fch-out分别沿通道维度执行最大池化和平均池化操作得到两个上下[0101]利用逐行topk运算符推导出索引矩阵并应用细[0105]在计算自注意力时可以发现在不同语义区域上的查询实际上关注的键值对是完描述了单个粒度下每个单独标记对之间的相关性，并且将注意图与value相乘只线性地重本模型中，将token分割成四个部分，并用通过组聚合器生成的组代理替换一些单独的使用的Group_MixwithRout[0107]优选的，二元交叉熵损失函数用于评估分类模型中预测值和实际标签之间的差ilog(p(yi))+(1_yi)log(1_p(yi))]，最后再对所有样本的损[0118]优选的，完全交并比损失函数被应用于衡量预测边界框与实际边界框之间的差gtgt分别代表预测框和真实框的中[0124]获取预处理后的无人机图像的训练图像和小目标验证图像，输入至网络检测模[0127]为进一步验证本发明算法的潜在优势，选取了多种目标主要包括了在小目标检测领域的常用框架和最新的改进；如图5所示，通过对比分析训练测算法，本发明算法模型依然保持了检测精度上的优势；本发明算法模型采用了独特的