一种数据自适应的低空目标检测优化方法、系统、设备及存储介质与流程

本发明涉及计算机视觉与低空遥感目标检测，尤其涉及一种数据自适应的低空目标检测优化方法、系统、设备及存储介质。

背景技术：

1、低空无人机航拍检测可用于城市治理、交通巡检、电力巡检、农业植保、应急监测等场景。与常规地面图像相比，低空航拍图像通常具有目标尺度小、尺度变化剧烈、类别外观相近和类别分布不均衡等特点。例如，在俯视或斜视视角下，轿车、厢式车、卡车和客车的车体轮廓相近，行人与站立人员或人群的外观边界也容易混淆；同时，真实场景中常见类别样本较多，稀有类别样本较少，统一训练策略难以兼顾所有类别。

2、现有目标检测方法主要包括以下几类。

3、第一类，标准目标检测器。例如yolo系列检测器（you only look once，简称yolo）、快速区域卷积神经网络（faster region-based convolutional neural network，简称faster r-cnn）、视网膜网络检测器（retinanet）和实时检测变换器（real-timedetection transformer，简称 rt-detr）。该类方法通常采用统一的骨干网络、特征金字塔和检测头，具有较好的通用性，但对不同数据集的类别频率、目标尺度和混淆关系使用相同训练策略，缺乏针对具体数据分布的自适应能力。

4、第二类，损失函数重加权方法。例如焦点损失（focal loss）、均衡损失（equalization loss）和类别均衡损失（class-balanced loss）。该类方法通过调整类别或样本的梯度权重缓解类别不均衡，但其主要改变损失权重，难以补充小目标和相似类别所需的判别特征。

5、第三类，多尺度特征增强方法。例如特征金字塔网络（feature pyramid network，简称fpn）、路径聚合网络（path aggregation network，简称panet）和双向特征金字塔网络（bidirectional feature pyramid network，简称bifpn）。该类方法通过多尺度融合增强特征表达，但多集中于空间域融合，未充分利用低层特征中的频率响应，也未根据数据集混淆关系选择性施加训练约束。

6、第四类，频域或谱域增强方法。例如离散余弦变换（discrete cosine transform，简称dct）和快速傅里叶变换（fast fourier transform，简称fft）可用于特征频率分析。现有频域方法多用于全局通道选择或注意力建模，较少与小目标局部上下文补偿及混淆类别筛选机制结合。

7、第五类，对比学习方法。监督对比学习、类中心对比学习和角度间隔学习能够拉开类别间特征距离。然而，若对所有类别对均匀施加对比约束，可能干扰样本充足类别的正常学习，使稀有类别收益被常见类别损失抵消。

8、因此，现有技术至少存在以下不足：一是缺乏根据数据集统计特征自动配置检测优化策略的机制；二是空间域增强和频域增强通常相互独立，难以同时改善小目标召回和相似类别区分；三是对比学习缺乏类别对筛选机制，容易对样本充足类别产生不必要干扰；四是类别重加权若过早或过强生效，可能影响训练稳定性。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种数据自适应的低空目标检测优化方法、系统、设备及存储介质。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种数据自适应的低空目标检测优化方法，包括：

4、s1、读取目标检测训练数据集的图像标注信息，统计类别实例数、目标面积、目标宽高比；

5、s2、根据所述图像标注信息生成数据集画像，所述数据集画像包括类别不均衡画像、目标尺度画像和类间混淆画像；

6、s3、根据所述数据集画像生成优化策略配置，所述优化策略配置包括频率-上下文联合增强模块的启用状态、作用层级和空洞率，选择性原型对比损失的风险类别对集合和间隔参数，以及类别重加权的启用状态和类别权重；

7、s4、在目标检测模型的低层特征图上应用所述频率-上下文联合增强模块，得到增强特征图；

8、s5、在训练阶段基于所述风险类别对集合计算选择性原型对比损失，并将其与标准目标检测损失组合进行端到端训练，可选地，若风险类别对集合为空，则不计算选择性原型对比损失，仅利用标准目标检测损失完成端到端训练；

9、s6、在推理阶段利用包含所述频率-上下文联合增强模块的目标检测模型输出目标类别、目标位置和置信度。

10、进一步的，所述类别不均衡画像包括各类别实例数、不均衡比和有效数类别权重，其中第c个类别的有效样本数为：

11、；

12、类别权重为：

13、；

14、其中，为第c个类别的实例数，为平滑系数。

15、进一步的，所述目标尺度画像包括小目标比例、极小目标比例和各类别目标中位面积，其中极小目标比例为：

16、；

17、小目标比例为：

18、。

19、进一步的，所述类间混淆画像通过宽高比分布重叠度和目标面积分布重叠度加权计算得到，类别i和类别j的混淆度为：

20、；

21、其中，为宽高比分布重叠度，为目标面积分布重叠度，。

22、进一步的，当小目标比例大于第一阈值时启用所述频率-上下文联合增强模块；

23、当极小目标比例大于第二阈值时，在至少两个低层特征层启用所述频率-上下文联合增强模块。

24、进一步的，所述频率-上下文联合增强模块包括频率分支、上下文分支和残差融合单元；

25、所述频率分支对输入特征图进行二维离散余弦变换得到频率系数，通过逐通道卷积和sigmoid函数生成可学习频率掩码，将所述频率掩码与频率系数逐元素相乘后进行逆二维离散余弦变换，得到频率增强特征；

26、所述上下文分支包括空洞深度卷积、批归一化和激活函数，所述空洞深度卷积的空洞率根据目标尺度画像中的目标中位边长自适应确定。

27、进一步的，所述残差融合单元按照如下公式输出增强特征：

28、；

29、其中，f为输入特征图，为频率分支输出，为上下文分支输出，和为初始化为零的可训练参数。

30、本发明还提出了一种数据自适应的低空目标检测优化系统，用于执行上述数据自适应的低空目标检测优化方法，包括：

31、数据集画像模块，用于统计类别实例数、目标尺度和类间混淆关系，并生成数据集画像；

32、策略选择模块，用于根据数据集画像生成频率-上下文联合增强、选择性原型对比损失和类别重加权的配置；

33、特征增强模块，用于在目标检测模型低层特征图上执行频率-上下文联合增强；

34、训练损失模块，用于计算标准目标检测损失、选择性原型对比损失和类别重加权损失；

35、推理输出模块，用于输出目标类别、目标位置和置信度。

36、本发明还提出了一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述的数据自适应的低空目标检测优化方法。

37、本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的数据自适应的低空目标检测优化方法。

38、本发明的有益效果：

39、第一，本发明通过类别不均衡画像、目标尺度画像和类间混淆画像生成优化策略，使目标检测模型能够根据训练数据集的统计特征自适应选择增强层级、风险类别对和类别权重。

40、第二，本发明的fce模块将频率选择性重标定与空间上下文补偿结合，既可增强低层特征中的边缘、轮廓和纹理响应，又可通过空洞深度卷积补充小目标局部邻域信息。

41、第三，本发明的spc损失仅对高混淆且样本不足的风险类别对施加原型间隔约束，避免对样本充足类别施加全局对比压力，从而降低对常见类别正常学习过程的干扰。

42、第四，本发明采用零初始化残差融合和延迟生效训练机制，使增强模块和辅助损失在训练初期不破坏原检测器的基础优化过程。

43、第五，本发明可在保持原目标检测头主体结构的基础上实现，推理阶段无需计算spc损失和类别重加权项，便于在低空无人机检测、遥感检测和城市监测场景中部署。

44、在一种基于低空无人机检测数据集的实施方式中，fce模块能够降低部分长尾车辆类别的前景缺失率，spc损失能够对高混淆且样本不足的类别对形成额外的特征间隔约束。上述结果表明，本发明能够针对低空目标检测中的小目标、长尾类别和相似类别混淆问题提供统一的优化机制。