一种基于高频信息引导的小目标检测方法及系统与流程

本发明涉及计算机视觉及深度学习，尤其涉及一种基于高频信息引导的小目标检测方法及系统。

背景技术：

1、现有主流目标检测方法（如yolo系列、rt-detr等）主要侧重于利用空间域特征，通过学习目标的形状、轮廓等低频语义信息来进行识别。常见的改进策略包括特征融合（如fpn）、优化网络架构以及引入注意力机制，然而这些方法并没有充分利用到频域中包含的高频信息，仍存在以下不足：

2、1.高频信息利用不足：小目标的判别性特征（如边缘、纹理）主要集中在高频成分中，但现有方法往往忽略了频率域的高频信息。

3、2.严重的特征丢失：深度神经网络在多次下采样过程中，根据采样定理，高于奈奎斯特频率的高频成分会发生不可逆丢失，导致深层特征缺乏足够的判别力。

4、3.特征对齐模糊：传统的最近邻上采样在恢复分辨率时容易产生语义歧义和空间定位不准的问题。

5、因此，提出一种小目标检测方法，精准捕捉频率域的高频信息，缓解深度神经网络下采样中高频成分不可逆丢失，解决传统上采样的语义歧义与定位不准问题，是本领域技术人员亟需解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于高频信息引导的小目标检测方法及系统，通过利用频域中的高频信息来引导小目标检测，解决了现有小目标检测中对高频信息利用不足、下采样丢失严重、特征融合不准、细粒度识别弱等技术缺陷，全面提升对小目标检测的检测精度、鲁棒性与通用性。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于高频信息引导的小目标检测方法，包括以下步骤：

4、s1采集步骤：采集目标区域的原始图像；

5、s2增强步骤：基于频域引导下采样对原始图像进行图像增强，得到增强后图像；

6、s3提取步骤：利用骨干网络对增强后图像进行特征提取，得到图像多级骨干特征；

7、s4融合步骤：基于融合前对齐策略对图像多级骨干特征进行对齐融合，得到图像对齐融合特征；

8、s5构建步骤：基于细粒度交互学习策略，利用竞争式权重分配机制和图像对齐融合特征构建细粒度差异注意力图；

9、s6残差步骤：利用细粒度差异注意力图对原始图像进行残差增强，得到最终强化检测特征；

10、s7检测步骤：将最终强化检测特征输入检测预测分支，输出小目标检测结果。

11、上述的方法，可选的，s2具体包括以下步骤：

12、s21分离步骤：通过离散小波变换并分离原始图像的高、低频分量，得到原始图像高频分量；

13、s22过滤步骤：利用自适应双门控机制保留原始图像高频分量的高频细节，并过滤图像噪声，得到增强后图像。

14、上述的方法，可选的，s4具体包括以下步骤：

15、s41变换增强步骤：对图像多级骨干特征的浅层骨干特征应用小波变换后提取浅层高频分量，并利用条形注意力增强方向细节，得到增强后浅层骨干特征；

16、s42对齐融合步骤：将增强后浅层骨干特征和图像多级骨干特征的深层语义特征融合后进行逆小波变换对齐，得到图像对齐融合特征。

17、上述的方法，可选的，s5具体包括以下步骤：

18、s51归一化步骤：利用softmax函数对图像对齐融合特征进行归一化处理，生成差异注意力图；

19、s52构建分配步骤：构建竞争式权重分配机制并对差异注意力图进行权重分配处理，得到细粒度差异注意力图。

20、上述的方法，可选的，s7检测步骤中的小目标检测结果包括小目标的类别、位置置信度与检测框。

21、一种基于高频信息引导的小目标检测系统，包括依次连接的采集模块、fgd模块、提取模块、fbal模块、fgil模块、残差增强模块和检测输出模块；

22、采集模块用于采集目标区域的原始图像；

23、fgd模块用于基于频域引导下采样对原始图像进行图像增强，得到增强后图像；

24、提取模块用于利用骨干网络对增强后图像进行特征提取，得到图像多级骨干特征；

25、fbal模块用于基于融合前对齐策略对图像多级骨干特征进行对齐融合，得到图像对齐融合特征；

26、fgil模块用于基于细粒度交互学习策略，利用竞争式权重分配机制和图像对齐融合特征构建细粒度差异注意力图；

27、残差增强模块用于利用细粒度差异注意力图对原始图像进行残差增强，得到最终强化检测特征；

28、检测输出模块用于将最终强化检测特征输入检测预测分支，输出小目标检测结果。

29、上述的系统，可选的，fgd模块包括互相连接的分离子模块和过滤子模块；

30、分离子模块用于通过离散小波变换并分离原始图像的高、低频分量，得到原始图像高频分量；

31、过滤子模块用于利用自适应双门控机制保留原始图像高频分量的高频细节，并过滤图像噪声，得到增强后图像。

32、上述的系统，可选的，fbal模块包括互相连接的变换增强子模块和对齐融合子模块；

33、变换增强子模块用于对图像多级骨干特征的浅层骨干特征应用小波变换后提取浅层高频分量，并利用条形注意力增强方向细节，得到增强后浅层骨干特征；

34、对齐融合子模块用于将增强后浅层骨干特征和图像多级骨干特征的深层语义特征融合后进行逆小波变换对齐，得到图像对齐融合特征。

35、上述的系统，可选的，fgil模块包括互相连接的归一化子模块和构建分配子模块；

36、归一化步骤用于利用softmax函数对图像对齐融合特征进行归一化处理，生成差异注意力图；

37、构建分配步骤用于构建竞争式权重分配机制并对差异注意力图进行权重分配处理，得到细粒度差异注意力图。

38、经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于高频信息引导的小目标检测方法及系统，具有以下有益效果：

39、（1）精度显著提升：通过引入高频引导机制，将高频判别信息引入小目标检测，这让小目标判别能力大幅提升；在visdrone、uavdt等挑战性小目标数据集上，相比基准模型取得了明显的检测性能提升；

40、（2）减少信息损耗：相比传统下采样，本发明采用频域引导下采样从源头上最小化了高频信息的丢失，为后续检测提供了更稳健的特征输入；

41、（3）定位更准确：本发明采用融合前对齐策略，通过引入高频细节引导特征重构，解决了深层网络中的语义模糊问题，使目标的边界定位更加精准；

42、（4）漏检率降低：细粒交互学习策略的差分注意力机制，显著增强细粒度学习，小目标漏检率、误检率明显降低；

43、（5）可集成性：基于本发明公开的内容构成的框架具有极强的通用性，可灵活集成到各种现有的基于fpn架构的检测器中（如yolov11、d-fine等），且计算开销可控，显著降低了检测成本。

1.一种基于高频信息引导的小目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于高频信息引导的小目标检测方法，其特征在于，s2具体包括以下步骤：

3.根据权利要求1所述的一种基于高频信息引导的小目标检测方法，其特征在于，s4具体包括以下步骤：

4.根据权利要求1所述的一种基于高频信息引导的小目标检测方法，其特征在于，s5具体包括以下步骤：

5.根据权利要求1所述的一种基于高频信息引导的小目标检测方法，其特征在于，s7检测步骤中的小目标检测结果包括小目标的类别、位置置信度与检测框。

6.一种基于高频信息引导的小目标检测系统，其特征在于，包括依次连接的采集模块、fgd模块、提取模块、fbal模块、fgil模块、残差增强模块和检测输出模块；

7.根据权利要求6所述的一种基于高频信息引导的小目标检测系统，其特征在于，fgd模块包括互相连接的分离子模块和过滤子模块；

8.根据权利要求6所述的一种基于高频信息引导的小目标检测系统，其特征在于，fbal模块包括互相连接的变换增强子模块和对齐融合子模块；

9.根据权利要求6所述的一种基于高频信息引导的小目标检测系统，其特征在于，fgil模块包括互相连接的归一化子模块和构建分配子模块；