一种基于统计一致性框架的小目标检测系统及方法

本发明涉及计算机视觉与图像处理，更具体的说是涉及一种基于统计一致性框架的小目标检测系统及方法。

背景技术：

1、随着无人机（uav）技术和高分辨率卫星遥感技术的飞速发展，基于计算机视觉的目标检测技术在交通监控、海事救援、城市规划以及精准农业等领域的应用日益广泛。与传统的自然场景图像不同，无人机捕捉的影像通常具有极高的分辨率和广阔的视野，这导致待检测的目标（如行人、车辆、小型船只等）在原始图像中仅占据极小的像素区域（通常小于16×16像素）。这类目标的检测通常被统称为小目标检测。

2、尽管以yolo系列、faster r-cnn及基于transformer的detr系列为代表的通用目标检测框架在常规尺度物体上取得了巨大成功，但在处理无人机影像中的小目标时，其性能往往会出现断崖式下跌。究其原因，现有技术在处理小目标时面临着严重的表征瓶颈。

3、首先，深度神经网络固有的下采样机制导致了关键信息的不可逆丢失。为了获得足够的感受野并降低计算复杂度，现有的主干网络通常采用步长卷积或池化操作进行下采样。从信号处理的角度来看，这些操作本质上属于低通滤波器。对于大尺寸目标，丢失部分高频细节并不影响其语义表达。但对于本身就缺乏视觉线索的小目标而言，其边界、纹理等统计显著性特征主要集中在高频段。在经过多层下采样后，小目标的能量强度迅速衰减，导致其特征在网络深层变得极其微弱，甚至完全淹没在背景杂波中。

4、其次，特征融合过程中的统计分布不一致问题被长期忽视。为了弥补深层特征空间分辨率不足的问题，现有技术普遍采用特征金字塔网络（fpn）及其变体（如panet、bifpn等），通过自顶向下的路径将深层语义信息与浅层空间信息进行融合。然而，来自不同深度的特征图在统计学属性（如均值、方差等）上存在巨大的分布偏离。现有的融合方式多采用简单的元素级相加或通道拼接，这种粗暴的融合方式忽略了特征间的统计差异，容易导致小目标的特征响应被异构背景信号稀释，产生严重的分布混叠，进而引发大量的漏检。

5、再者，复杂背景下的语义歧义导致了极高的虚警率。在无人机影像中，背景区域占据了图像的绝大部分空间，且包含大量与目标特征相似的干扰物，如树木阴影、建筑边缘、杂乱的铺装地面等。现有的检测机制主要依赖于神经元的激活幅值来判定目标的置信度。然而，某些复杂的背景区域在经过深度网络编码后，可能会产生较高的激活响应，但在统计学意义上，这些区域往往缺乏真实目标应具备的局部离散度和纹理支撑。这种单纯依赖语义激活而缺乏统计维度验证的检测模式，使得模型在面对复杂环境时难以区分真实目标与强干扰背景，导致虚警频繁发生。

6、综上所述，现有的小目标检测技术主要侧重于通过增加网络深度、引入复杂的注意力机制或牺牲计算效率来提升性能，但并未从根本上解决小目标在特征演化过程中的统计显著性消失这一核心矛盾。因此，如何维持小目标从原始图像到深度语义空间演化过程中的统计一致性，建立一种既能保留高频细节、又能消除分布偏差、并具备多维度验证能力的检测框架，是当前计算机视觉领域亟待解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于统计一致性框架的小目标检测系统及方法，旨在维持小目标从源端浅层纹理演化至深层语义全过程中的统计显著性，有效化解因特征耗散导致的漏检以及因语义歧义引发的虚警问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、一方面，本发明提供了一种基于统计一致性框架的小目标检测系统，包括：

4、输入模块，用于获取待检测的原始图像数据；

5、检测网络，用于将所述原始图像数据输入至训练好的统计一致性目标检测网络进行特征提取，具体包括：

6、主干网络，用于通过抗衰减特征编码模块获取多尺度深度特征；其中，所述抗衰减特征编码模块在下采样过程中显式提取并保留局部高频先验信息，并利用所述高频先验信息对特征的统计分布进行重校准；

7、颈部网络，用于通过多尺度统计矩对齐模块对所述多尺度深度特征进行跨层特征融合；其中，通过计算不同层级特征的全局统计矩并进行对齐，消除跨层特征融合过程中的统计分布偏差，得到具有统计一致性的融合特征；

8、检测头网络，用于将所述融合特征输入至统计离散门控模块，计算所述融合特征在多个邻域范围内的局部统计离散度作为正交验证先验，生成离散度门控信号；

9、输出模块，用于根据离散度门控信号，输出目标检测结果。

10、优选的，所述抗衰减特征编码模块包括二阶矩保持下采样单元和特征统计分布重校准单元；

11、所述二阶矩保持下采样单元被配置为：在扩大感受野的下采样过程中，通过滑动窗口机制计算局部二阶中心矩，提取高频分量作为高频先验特征，并将所述高频先验特征与输入特征在通道维度拼接后进行卷积降维；

12、所述特征统计分布重校准单元被配置为：提取局部高频先验作为结构先验，对输入特征进行通道级别的统计分布重校准，通过自适应软门控利用高频分量锐化特征响应，并抑制无效高频噪声对主干语义特征的污染。

13、优选的，所述多尺度统计矩对齐模块包括：

14、空间通道对齐单元，用于获取当前尺度的基准特征和辅助特征，并对所述辅助特征进行空间维度和通道维度的对齐；

15、统计矩计算单元，用于分别计算所述基准特征和对齐后的辅助特征在通道维度上的一阶原始矩和二阶中心矩；

16、统计重映射单元，用于构建非参数统计重映射机制，利用所述一阶原始矩和二阶中心矩，将所述辅助特征从原始分布空间映射至所述基准特征的统计空间，得到统计对齐特征；

17、融合加权单元，用于将所述基准特征与所述统计对齐特征进行拼接，通过卷积网络生成注意力图，并利用所述注意力图进行加权与残差融合，输出所述具有统计一致性的融合特征。

18、优选的，所述统计离散门控模块包括：

19、多邻域离散度计算单元，用于并行计算输入特征在预设的多个不同大小邻域范围内的局部二阶中心矩，量化特征在局部区域内的离散度，得到多邻域离散度特征图；

20、门控掩码生成单元，用于将原始输入特征与各个不同邻域下的离散度特征图在通道维度进行联合编码拼接，通过轻量级卷积网络学习局部离散度与特征置信度之间的非线性映射关系，生成离散度校准掩码；

21、特征校准单元，用于将所述校准掩码与原始输入特征进行点乘加权，并通过残差连接输出最终的校准特征。

22、优选的，所述二阶矩保持下采样单元中，局部二阶中心矩的计算公式为：

23、

24、其中，为输入的特征张量，表示卷积核大小为的平均池化操作，为relu激活函数，为偏置常数；

25、所述将高频先验特征与输入特征在通道维度拼接后进行卷积降维操作的计算公式为：

26、

27、其中，为高频先验特征。

28、优选的，所述特征统计分布重校准单元中，利用高频先验对特征进行统计分布重校准的计算公式为：

29、

30、其中，表示通道维度的哈达玛积，为统计软门控权重，为提取局部高频成分。

31、优选的，所述统计重映射单元中，将辅助特征从其原始分布空间映射至基准特征的统计空间的计算公式为：

32、

33、其中，为对齐后的辅助特征，为基准特征，和分别为通道维度上的均值和标准差，为极小偏置常数。

34、优选的，所述门控掩码生成单元中，生成离散度校准掩码的计算公式为：

35、

36、其中，为输入特征，为第i个邻域范围内的局部二阶中心矩，表示轻量级卷积映射，表示sigmoid激活函数；

37、所述特征校准单元中，输出最终校准特征的计算公式为：

38、

39、其中，表示点乘，表示非线性变换。

40、另一方面，本发明还提供了一种基于统计一致性框架的小目标检测方法，包括：

41、获取待检测的原始图像数据；

42、将所述原始图像数据输入至训练好的统计一致性目标检测网络中进行特征提取，在主干网络中通过抗衰减特征编码模块获取多尺度深度特征；其中，所述抗衰减特征编码模块在下采样过程中显式提取并保留局部高频先验信息，并利用所述高频先验信息对特征的统计分布进行重校准；

43、在颈部网络中，通过多尺度统计矩对齐模块对所述多尺度深度特征进行跨层特征融合；其中，通过计算不同层级特征的全局统计矩并进行对齐，消除跨层特征融合过程中的统计分布偏差，得到具有统计一致性的融合特征；

44、在检测头网络中，将所述融合特征输入至统计离散门控模块，计算所述融合特征在多个邻域范围内的局部统计离散度作为正交验证先验，生成离散度门控信号；

45、根据离散度门控信号，输出目标检测结果。

46、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于统计一致性框架的小目标检测系统及方法，首先，通过引入二阶矩保持下采样机制，从物理层面抑制了卷积神经网络固有的低通滤波效应对小目标特征的模糊作用，确保了边界与纹理等关键高频信号在网络深层的存续。其次，多尺度统计矩对齐策略从理论上解决了异构特征融合时的分布失配问题，避免了传统拼接操作引入的统计混叠，使得融合后的特征表达更为稳健且具备一致的物理含义。最后，统计离散门控模块通过建立语义-统计正交方式，为模型提供了独立于语义响应之外的正交辨别维度，在visdrone2019等复杂场景下大幅降低了误检率，使模型在维持极小参数规模（约3.1m）的同时，实现了优于sota模型的检测效能。