一种基于可靠性门控的无人机密集小目标检测训练方法和系统

摘要: 本发明涉及计算机视觉,尤其涉及一种基于可靠性门控的无人机密集小目标检测训练方法和系统。背景技术:1、现有技术中,基于transformer的目标检测方法通常通过...
一种基于可靠性门控的无人机密集小目标检测训练方法和系统

本发明涉及计算机视觉,尤其涉及一种基于可靠性门控的无人机密集小目标检测训练方法和系统。

背景技术:

1、现有技术中,基于transformer的目标检测方法通常通过对象查询、二分图匹配、多尺度特征和解码器预测头实现端到端检测。为增加训练阶段的正样本覆盖,部分方法设置一对多辅助预测分支,使一个真实目标能够匹配多个辅助查询,并利用辅助候选增强主检测分支。然而,民航机场无人机巡检图像具有目标尺寸小、同类目标密集、遮挡频繁、道面纹理规则且背景反射复杂等特点。跑道或滑行道中的小型fod有效像素少,机坪中的人员和车辆又容易产生多个相互重叠的候选响应,导致漏检、重复检测和相邻目标混淆。

2、目前,一对多辅助预测分支虽然能够为同一真实目标产生多个候选,但所述候选在分类置信度、定位质量及与主检测分支的一致性方面存在明显差异。若将多个辅助候选无差别地用于主检测分支训练,低质量候选、定位偏移候选和重复响应候选会向主检测分支传递相互冲突的监督信息,造成辅助知识污染。此外,现有候选筛选方式通常依据单一置信度、固定阈值或独立的候选去重规则,候选是否参与训练、同一目标的多个候选如何竞争以及候选以多大强度作用于主检测分支,往往采用相互独立的控制依据。同时,通用筛选方式难以利用跑道、滑行道、机坪和普通区域在目标尺度、目标密集程度及漏检风险方面的差异。可见,一对多辅助预测存在分支产生的候选质量不一致、重复候选及错误辅助监督干扰主检测分支的问题。

3、因此,针对机场环境下的目标识别,现有技术还存在改进空间。

技术实现思路

1、本发明的目的在于克服现有技术的不足,提供一种基于可靠性门控的无人机密集小目标检测训练方法和系统,构建可靠性状态,并使该状态依次驱动候选参与程度、同一真实目标对应的一对多候选组内权重分配以及对主检测分支的辅助监督强度,形成前后数据依赖的连续控制闭环,从而针对民航机场不同功能区域中的小目标和密集目标形成具体训练适配。

2、本发明的目的是通过以下技术方案来实现的:

3、第一方面,本申请公开一种基于可靠性门控的无人机密集小目标检测训练方法,包括如下步骤:

4、获取民航机场巡检训练图像、目标标注以及与图像空间对应的多类别机场功能区域掩码,并在执行空间数据增强时对图像、目标框和区域掩码实施同步变换;将训练图像输入目标检测网络;其中,所述目标检测网络的主检测分支通过一对一匹配为每个真实目标确定唯一对应的主查询,目标检测网络的辅助预测分支通过一对多匹配为同一真实目标确定辅助候选;针对候选组中的每个辅助候选,根据其分类置信度、定位质量、与对应主查询的预测一致性、真实目标尺度以及真实目标所在机场功能区域的重要度,计算同一候选组内可靠性状态;根据同一候选组内可靠性状态的均值和离散程度生成组内自适应阈值,计算候选软门控值,根据所述候选软门控值和候选组内可靠性状态,对候选组内多个辅助候选进行权重重分配;利用重分配后的权重聚合辅助候选,得到面向主检测分支的分类辅助目标和定位辅助目标,并以所述候选组有效权重统一控制所述分类辅助目标和定位辅助目标,以对相应的主查询进行分类监督和定位监督。

5、第二方面,本申请公开一种基于可靠性门控的无人机密集小目标检测训练系统,包括处理器、存储器以及存储于所述存储器并可由处理器执行的程序指令;所述程序指令用于实现所述的基于可靠性门控的无人机密集小目标检测训练方法。

6、本发明的有益效果是:

7、第一,候选门控、组内重分配和辅助监督共享同一可靠性状态,避免多个独立模块采用不同判据造成控制割裂;第二,同一真实目标的一对多候选在组内竞争后形成聚合辅助目标,降低重复候选和定位偏移候选对主检测分支的干扰;第三,机场功能区域掩码直接参与训练期可靠性聚合,使跑道小型fod、滑行道侵入目标和机坪密集人员车辆获得与场景相适配的训练控制;四是推理阶段仅保留主检测分支,不增加训练期辅助结构带来的推理计算开销。

1.一种基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,所述目标检测网络包括骨干网络、多尺度特征提取结构、transformer编码器、主检测分支和辅助预测分支;

3.根据权利要求2所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,对于候选组中的第i个辅助候选,将其对真实目标类别的预测概率定义为分类置信度,将其预测框与真实目标框的交并比定义为定位质量:

4.根据权利要求3所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,按照分类置信度和定位质量进行匹配后有效性判定包括:

5.根据权利要求4所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,针对候选组中的每个辅助候选,根据其分类置信度、定位质量、与对应主查询的预测一致性、真实目标尺度以及真实目标所在机场功能区域的重要度,计算同一候选组内可靠性状态包括:

6.根据权利要求5所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,机场功能区域因子计算为:

7.根据权利要求6所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,根据同一候选组内可靠性状态的均值和离散程度生成组内自适应阈值,计算候选软门控值,根据所述候选软门控值和候选组内可靠性状态,对候选组内多个辅助候选进行权重重分配包括:

8.根据权利要求7所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,利用重分配后的权重聚合辅助候选,得到面向主检测分支的分类辅助目标和定位辅助目标,并以所述候选组有效权重统一控制所述分类辅助目标和定位辅助目标,以对相应的主查询进行分类监督和定位监督包括:

9.根据权利要求1所述的基于可靠性门控的无人机密集小目标检测训练方法,其特征在于,在目标检测网络的训练过程中,还包括:

10.一种基于可靠性门控的无人机密集小目标检测训练系统,包括处理器、存储器以及存储于所述存储器并可由处理器执行的程序指令,其特征在于,所述程序指令用于实现权利要求1-9中任意一项所述的基于可靠性门控的无人机密集小目标检测训练方法。