CN119478742A 基于特征融合与检测头协同优化的无人机目标检测方法 （河海大学）

基于特征融合与检测头协同优化的无人机本发明公开一种基于特征融合与检测头协CBS和残差模块C2f堆叠的骨干网络获得多尺度入基于Transformer的预测头进行检测，完成无22.根据权利要求1所述的基于特征融合和检测头协同优化的无人机目标检测方法，其3.根据权利要求1所述的基于特征融合和检测头协同优化的无人机目标检测方法，其（3.4）将基于Transformer的C3TR模块的输出结果作为输入特征送入轻量级的卷积注34.根据权利要求3所述的基于特征融合和检测头协同优化的无人机目标检测方法，其5.根据权利要求1所述的基于特征融合和检测头协同优化的无人机目标检测方法，其6.一种计算机设备，该计算机设备包括存储器、处器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1_5任意一项所述7.一种计算机可读存储介质，该计算机可读存储介质存储有执行如权利要求1_5任意一项所述的基于特征融合和检测头协同优化的无人机目标检测方法45[0006](1)对输入的无人机航拍影像进行特征提取，利用由卷积模块CBS和残差模块C2f[0007](2)将提取到多尺度特征一起输送到多层级特征融合模块ML_FFM中，从深层向浅[0008](3)将融合后的特征图输入精细化特征增强模块(RFEM)，基于时空注意力机制消[0010]所述通过多层级特征融合模块ML_FFM，从深层向浅层进P表示逐点卷积。[0019]其中Ffusion表示多层级特征融合模块ML_FFM的输出，C2f表示残差模块C2f，[0022](3.1)将特征融合后的极小尺度特征f′tiny送入基于S块中，通过自注意力机制(Self_Attention)增强特征图的空间和语义表达能力。[0023](3.2)利用最低层级多层级特征融合模块ML_FFM的深度可分离卷积提取小目标密6[0025](3.4)将基于Transformer的C3TR模块的输出结果作为输入特征finput送入轻量级[0028]所述通过基于Transformer的预测头进行检测，完成无人机航拍图像的目标分类Sparse_TPH来检测目标；Sparse_TPH只对步[0031]所述无人机视角目标检测方法中的卷积模块CBS由一个3×3卷积层、一个批量归[0032]所述无人机视角目标检测方法中的残差模块C2f由1x1卷积层、多个3x3的残差块Bottleneck和1x1卷积层组成。首先通过1x1卷积将输入通道分割为两部分，逐层堆叠[0033]所述无人机视角目标检测方法中的C3TR模块由多头自注意力层和多层感知机层[0034]所述无人机视角目标检测方法中的多层级特征融合模块ML_FFM通过多层级特征7征融合和检测头协同优化的无人机目标检测方法的计注意力、上下文语义和通道_空间注意力机制，对融合特征进行多层次细化。[0042]图1为具体实施例中基于特征融合与检测头协同优化的无人机目标检测方法的网形式的修改均落于本申请所附权利要求所限8[0047]图1给出了基于特征融合与检测头协同优化的无人机目标检测方法的网络结构示[0048](1)对输入的无人机航拍影像进行特征提取，利用由卷积模块CBS和残差模块C2f[0049](2)将提取到多尺度特征一起输送到多层级特征融合模块ML_FFM中，从深层向浅[0054]Fiow—p(D(FOW))P表示逐点卷积。[0058]其中Ffusion表示多层级特征融合模块ML_FFM的输出，C2f表示残差模块C2f，[0060](3)将融合后的特征图输入精细化特征增强模块(RFEM)，基于时空注意力机制消[0061](3.1)将特征融合后的极小尺度特征f′tiny送入基于S块中，通过自注意力机制(Self_Attention)增强特征图的空间和语义表达能力。[0062](3.2)利用最低层级多层级特征融合模块ML_FFM的深度可分离卷积提取小目标密9[0064](3.4)将基于Transformer的C3TR模块的输出结果作为输入特征finput送