一种基于内生显著性引导的野外小目标轻量化检测方法

摘要: 本发明涉及深度学习与计算机视觉领域,特别涉及一种基于显著性引导的野外小目标轻量化检测方法,属于目标检测技术方向。背景技术:1、在计算机视觉领域,目标检测是是诸多...
一种基于内生显著性引导的野外小目标轻量化检测方法

本发明涉及深度学习与计算机视觉领域,特别涉及一种基于显著性引导的野外小目标轻量化检测方法,属于目标检测技术方向。

背景技术:

1、在计算机视觉领域,目标检测是是诸多任务的基石,如生态监测、无人机巡检、农业病虫害识别以及野外智能识别系统等。目标检测任务的主要流程是输入图像后,通过深度神经网络提取特征,并对图像中目标进行类别判断和边界框定位。然而,在野外复杂环境下进行小目标检测时,会面临多种挑战,包括小目标尺寸较小,在多次卷积下采样过程中容易发生特征衰减;背景纹理复杂,存在伪装现象,目标与背景区分困难;光照变化、遮挡、雨雾等干扰严重;轻量化模型在边缘设备部署时表达能力受限等。

2、现有检测方法通常采用固定特征交互方式,即主干网络提取的中层或高层特征直接参与后续预测计算。然而,在小目标场景中,若特征表示尚未具备足够判别能力,所有区域特征均参与交互会引入噪声区域干扰,从而影响检测结果。

3、部分研究尝试通过引入外部显著性图或额外显著性分支增强目标区域响应,但外部显著性信息与检测任务存在语义不一致问题,容易破坏原有特征分布,导致检测性能下降。

4、因此,现有技术中亟需一种新型技术方案,在不引入额外复杂显著性网络的前提下,实现检测任务内生显著性引导,从而增强小目标区域响应能力,提高检测稳定性与鲁棒性。

技术实现思路

1、(一)解决的技术问题

2、针对现有轻量化检测模型在复杂野外环境中存在小目标特征响应不足、背景干扰严重以及特征增强缺乏自适应选择的问题,本发明提供了一种基于内生显著性引导的野外小目标轻量化检测方法。该方法通过网络内部特征自适应建模生成显著性响应图,并根据显著性响应强度自适应控制显著性增强路径或弱增强/残差保持路径,在不引入额外显著性标注信息和外部显著性模型的前提下,实现对目标区域的强化和对背景区域的抑制,从而解决复杂野外环境中小目标易被背景噪声淹没、响应不足以及增强方式缺乏灵活调节的问题。

3、(二)技术方案

4、本发明为了实现上述目的,提出一种基于内生显著性引导的小目标检测方法。该方法以轻量化目标检测网络为基础,通过前景显著性响应生成模块(foreground saliencyresponse generator,fsrg)与显著性引导特征增强模块(saliency-driven enhancementmodule,sdem)对野外复杂环境中的小目标区域进行显著性建模与特征强化,使网络能够在复杂背景条件下更加准确地关注目标区域并抑制背景干扰,从而提升小目标检测的准确率与鲁棒性。

5、本发明所提出的方法整体包括特征提取网络、前景显著性响应生成模块、显著性引导特征增强模块以及检测预测模块,各模块按照数据处理流程依次执行,使显著性信息能够在网络特征表达过程中逐层传递并最终作用于目标检测结果。与现有方法不同,本发明的显著性信息由网络内部特征自适应生成,无需额外显著性标注或外部显著性模型,从而保证显著性建模与检测任务之间的语义一致性。具体而言,首先通过主干网络对输入图像进行多尺度特征提取,获得不同语义层次的特征图;随后利用中层特征构建显著性响应图,以表征图像中潜在目标区域的响应强度;再根据显著性响应强度自适应调节特征增强权重,对特征进行差异化增强处理;最后将增强后的特征输入检测预测模块进行分类与边界框回归,从而完成对野外环境小目标的检测任务。

6、在本发明中,小目标优选指在输入图像中目标区域面积占整幅图像面积比例不大于 3% 的目标,或者目标有效像素区域不大于 的目标。在一实施方式中,图像中无效背景区域占比可达到 95% 以上,从而形成典型的小目标复杂背景检测场景。该小目标定义用于说明本发明主要适用的检测对象范围,也可根据具体应用场景进行等比例调整。

7、步骤一、将输入图像送入特征提取网络进行多尺度特征提取。输入图像记为:

8、

9、其中 表示图像高度,表示图像宽度,表示图像通道数。输入图像首先通过卷积层进行初步特征提取,并通过逐层下采样操作扩大特征感受野。主干网络由多层卷积模块、残差模块以及下采样模块构成,通过逐层卷积运算获得不同语义层次的特征表示。设第 l层特征图为:

10、 ,l=1,2,⋯,l

11、其中 l表示第l层输出特征图,l表示卷积变换函数。经过多层卷积和下采样操作后,可以获得多尺度特征图:

12、{1,2,3 }

13、其中1为浅层特征图,具有较高的空间分辨率,主要包含丰富的纹理信息与边缘细节;2为中层特征图,兼具空间信息与语义信息;3为深层特征图,具有较强的语义表达能力,但其空间分辨率相对较低。在野外环境小目标检测任务中,前景显著性响应生成模块的输入取自主干网络深层语义特征图 ,以更充分利用高层语义信息建立前景与背景之间的响应差异;小目标敏感特征则由较高分辨率分支提取,用于后续显著性引导增强。这里的“小目标敏感特征”是指相对于深层特征图 而言具有更高空间分辨率、并能保留更多目标边缘和局部结构信息的特征分支。

14、步骤二、利用深层特征图构建前景显著性响应生成模块(fsrg)。在获得深层语义特征图之后,通过卷积变换生成显著性响应图,用于描述图像中各空间位置的前景响应强度。具体而言,将特征图 输入前景显著性响应生成模块,通过卷积运算得到显著性响应图:

15、

16、其中 3×3表示卷积核尺寸为 3×3 的卷积运算,用于提取局部空间上下文信息;1x1表示卷积核尺寸为 1×1 的卷积运算,用于实现通道压缩与特征映射;表示 sigmoid 激活函数;表示显著性响应图。显著性响应图的每一个像素值表示该位置属于目标区域的概率,其取值范围为:

17、

18、其中′和′分别表示显著性响应图的高度与宽度。显著性响应值越大表示该区域越可能属于目标区域。其中每个像素值 表示对应位置属于潜在目标区域的响应强度。为了刻画整体显著性水平,可进一步定义显著性统计量:

19、

20、并在此基础上构建自适应增强系数:

21、

22、其中, 为调节参数。由此,显著性响应能够以连续权重形式参与后续特征增强过程,而无需显式监督,从而避免语义不一致问题。

23、步骤三、利用显著性引导特征增强模块(sdem)对特征进行自适应调制。由于显著性响应图已经能够反映图像中潜在目标区域的重要程度,因此可以利用显著性信息对特征图进行加权调制,使网络更加关注目标区域。具体而言,首先对显著性响应图进行尺度调整,使其空间尺寸与小目标敏感特征保持一致,记为:

24、

25、然后将显著性响应图与小目标敏感特征 进行逐元素融合,其计算方式为:

26、

27、其中⊙表示逐元素乘法运算。为了使增强过程具备自适应性,设增强阈值为 。当显著性响应强度满足 时,进入显著性引导增强路径,其输出为:

28、

29、当显著性响应强度不满足增强条件,即 时,进入弱增强或残差保持路径,其输出为:

30、

31、其中, 为弱增强系数,且 。通过上述双路径机制,当显著性响应较高时,对应区域特征被增强;当显著性响应较低时,仅对特征进行较弱调制并保留原始特征主体,从而避免在低显著性场景下过度增强带来的噪声放大问题。

32、由于野外环境中的小目标通常具有像素占比小、局部纹理弱、边缘轮廓不完整且易受植被、阴影、树枝及复杂背景纹理干扰的特点,若仅依赖显著性调制结果,容易在增强前景区域响应的同时削弱小目标边缘与局部结构信息。因此,本发明在显著性增强路径之外引入局部细节分支,以对输入特征进行局部卷积建模,其计算方式为:

33、

34、其中,表示深度卷积操作。该局部细节分支与显著性增强路径之间形成互补关系,其中显著性增强路径负责提升目标区域响应并抑制背景噪声,局部细节分支负责补偿在显著性调制过程中可能被削弱的目标边缘、轮廓及细粒度纹理结构信息。最终,两类特征融合得到增强特征:

35、

36、通过上述过程,可以实现对前景区域的显著性增强、对背景区域的噪声抑制以及对小目标边缘结构的有效保留。

37、步骤四、将增强特征与深层语义特征进行融合。在完成显著性引导特征增强后,为了融合更高层的语义信息,将增强后的特征 与深层特征 进行融合,其过程表示为:

38、

39、其中表示特征拼接操作。通过特征拼接可以使网络同时获得显著性增强信息与深层语义信息。随后通过1×1卷积对融合特征进行通道压缩与特征重整,进而获得最终的融合特征:

40、

41、经过上述处理后得到融合特征final,该特征包含显著性增强后的空间信息以及深层语义信息,为后续目标检测提供更加丰富的特征表达。在本发明的实施方式中,前景显著性响应生成模块设置于主干网络中高层语义特征输出路径上,显著性引导特征增强模块设置于小目标敏感特征路径上,增强特征输出后与深层语义特征共同进入多尺度融合模块。

42、步骤五、将融合特征输入检测预测模块进行目标检测。检测预测模块包括分类分支与回归分支,其中分类分支用于预测目标类别概率,回归分支用于预测目标边界框的位置参数。分类分支输出类别概率:

43、

44、回归分支输出目标边界框:

45、=(,,,ℎ)

46、其中(,)表示目标中心坐标,(,ℎ)表示目标边界框宽度与高度。通过上述预测结果,可实现对野外环境中小目标的精确检测。为了实现模型的联合优化,本发明构建综合损失函数:

47、=l+

48、其中l表示分类损失函数,表示边界框回归损失函数。由于显著性响应由网络内部特征自适应生成,其优化过程由检测损失间接驱动,因此无需引入额外显著性监督项,从而降低训练复杂度并提高模型稳定性。

49、通过上述步骤,本发明实现了从图像输入、特征提取、显著性建模、特征增强到目标检测预测的完整流程。显著性信息在网络中逐级传播并参与特征表达,使模型能够在复杂背景环境中更加准确地定位小目标区域,从而有效提升野外环境小目标检测任务中的检测精度与鲁棒性。

50、(三)有益效果

51、与现有技术相比,本发明提供了一种基于检测监督显著性引导的野外小目标轻量化检测方法,具备以下有益效果:

52、1.本发明中的前景显著性响应由检测网络内部中层特征自适应生成,无需外部显著性网络或额外显著性标注信息,能够保证显著性建模与目标检测任务之间的语义一致性。

53、2.本发明通过基于显著性响应强度的双路径自适应增强机制,在显著性较强时强化目标区域响应,在显著性较弱时执行弱增强或残差保持,从而兼顾增强能力与特征稳定性。

54、3.本发明设置局部细节分支以补偿显著性调制过程中可能削弱的边缘、轮廓和细粒度结构信息,有利于提升野外复杂背景下小目标的完整表达能力。

55、4.本发明兼容轻量化目标检测主干结构,在不显著增加模型参数量的前提下,实现对背景噪声区域的抑制和对小目标区域的响应增强,适用于边缘设备部署。

56、5.本发明能够在复杂野外环境中提升小目标检测的精度、稳定性与鲁棒性,具有良好的工程应用前景。