本發(fā)明涉及航拍圖像目標檢測，具體為一種基于特征增強網絡的航拍圖像目標檢測方法。

背景技術：

1、當前航拍圖像目標檢測技術中，selective?search方法雖然能夠利用圖像的局部相似性和顏色信息生成多種尺度和形狀的候選區(qū)域，但其對計算資源的消耗巨大，且對相似性度量的選擇極為敏感，這往往導致生成的區(qū)域質量不穩(wěn)定，影響后續(xù)檢測的準確性。移位區(qū)域方法通過滑動窗口技術檢測目標，但固定的窗口大小和步長選擇困難，導致對目標的適應性差，容易遺漏小目標或產生冗余區(qū)域，增加了后續(xù)處理的負擔。hog特征通過計算像素梯度方向直方圖，對光照變化敏感，且計算復雜度高。sift特征通過識別關鍵點并提取局部特征，雖然對尺度和旋轉具有一定的不變性，但其計算復雜度同樣較高，且在極端尺度和旋轉變化下性能受限?；赼daboost的分類器通過迭代訓練弱分類器實現(xiàn)目標檢測，但存在過擬合風險，且訓練時間漫長。svm作為一種二分類模型，雖然在特征空間中能夠找到最佳分割超平面，但其訓練復雜度高，且難以處理大規(guī)模數(shù)據(jù)。knn方法基于鄰近樣本的類別進行分類，但計算量大，且對噪聲敏感。條件隨機場作為一種概率圖模型，雖然能夠考慮變量之間的關系，但其訓練復雜度同樣較高，且模型選擇困難。

2、綜上所述，現(xiàn)有航拍圖像目標檢測技術在候選區(qū)域生成、特征提取和目標分類等關鍵步驟中存在諸多缺陷，這些缺陷限制了目標檢測技術的實用性和效率，尤其是在處理大規(guī)模、復雜場景的航拍圖像時更為明顯。因此，有必要發(fā)展新的目標檢測方法，以克服這些缺陷，并提高航拍圖像目標檢測的準確性和實時性。

3、為此，提出一種基于特征增強網絡的航拍圖像目標檢測方法。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于特征增強網絡的航拍圖像目標檢測方法，以解決上述背景技術中提出的問題。

2、為了解決上述技術問題，本發(fā)明提供如下技術方案：一種基于特征增強網絡的航拍圖像目標檢測方法，包括以下步驟：步驟一，構建基于區(qū)域transformer注意力機制的特征提取增強網絡，在特征提取網絡中使用基于移位區(qū)域transformer思想的感知增強模塊替換原始的部分全卷積運算，以較低的計算開銷增強模型的全局感知能力，提高網絡的特征提取能力；步驟二，構建基于多層次加權的多尺度特征融合增強網絡，在特征融合部分的淺層上加入一個新的特征融合層，并在原始的特征輸入與輸出之間添加跨層連接，用于結合附加的原始特征信息，進一步完成有效信息的保留；步驟三，在后處理階段，在邊界框回歸的損失函數(shù)中引入角度匹配的框回歸損失函數(shù)。

3、根據(jù)上述技術方案，基于移位區(qū)域transformer思想的感知增強模塊包括層歸一化、窗口區(qū)域多頭自注意力機制、移位窗口區(qū)域多頭自注意力機制和多層感知器。

4、根據(jù)上述技術方案，所述窗口區(qū)域多頭自注意力機制將特征圖劃分為若干個不重疊的窗口區(qū)域，并在這些局部窗口區(qū)域內獨立執(zhí)行自注意力運算，移位窗口區(qū)域多頭自注意力機制通過窗口長度的一半將特征圖在不同方向上進行平移，以實現(xiàn)跨窗口特征之間的交互，并增強對特征圖的提取能力。

5、根據(jù)上述技術方案，所述步驟二中還包括引入一條新的補充連接，連接主輸入和輸出。

6、根據(jù)上述技術方案，步驟二中為每個輸入特征引入了附加權重，在每個網絡層間加權。

7、根據(jù)上述技術方案，所述步驟三中引入siou-soft-nms算法，通過動態(tài)調整邊界框的置信度而非直接排除低iou值的邊界框。

8、根據(jù)上述技術方案，siou-soft-nms算法采用高斯加權方法

9、與現(xiàn)有技術相比，本發(fā)明所達到的有益效果是：本發(fā)明針對航拍圖像背景高度復雜的問題，構建了基于區(qū)域transformer注意力機制的特征提取增強網絡。在特征提取網絡中，使用基于移位區(qū)域transformer思想的感知增強模塊替換原始的部分全卷積運算，以較低的計算開銷增強模型的全局感知能力，進而更有效地從復雜背景中提取特征信息。

10、其次，針對航拍圖像中目標尺度多樣的問題，構建了基于多層次加權的多尺度特征融合增強網絡。該網絡通過雙向跨層連接的網絡結構設計，充分捕捉并整合了不同尺度的目標特征信息。同時，在特征融合過程中通過引入多層次加權策略，進一步保留了對目標檢測至關重要的關鍵信息。通過上述方法，特征融合網絡顯著提升了對不同尺度特征的表征能力，進而提升了對多尺度目標的檢測性能。

11、再次，針對航拍圖像中存在目標排列密集現(xiàn)象的問題，在邊界框回歸的損失函數(shù)中引入了匹配角度的考量，從而提升檢測框的回歸定位精準度，并通過進一步對候選檢測框篩選策略的優(yōu)化，增強了網絡對密集排列、相互遮擋目標的識別能力。

技術特征：

1.一種基于特征增強網絡的航拍圖像目標檢測方法，其特征在于：包括以下步驟：步驟一，構建基于區(qū)域transformer注意力機制的特征提取增強網絡，在特征提取網絡中使用基于移位區(qū)域transformer思想的感知增強模塊替換原始的部分全卷積運算，以較低的計算開銷增強模型的全局感知能力，提高網絡的特征提取能力；

2.根據(jù)權利要求1所述的一種基于特征增強網絡的航拍圖像目標檢測方法，其特征在于：基于移位區(qū)域transformer思想的感知增強模塊包括層歸一化、窗口區(qū)域多頭自注意力機制、移位窗口區(qū)域多頭自注意力機制和多層感知器。

3.根據(jù)權利要求2所述的一種基于特征增強網絡的航拍圖像目標檢測方法，其特征在于：所述窗口區(qū)域多頭自注意力機制將特征圖劃分為若干個不重疊的窗口區(qū)域，并在這些局部窗口區(qū)域內獨立執(zhí)行自注意力運算，移位窗口區(qū)域多頭自注意力機制通過窗口長度的一半將特征圖在不同方向上進行平移，以實現(xiàn)跨窗口特征之間的交互，并增強對特征圖的提取能力。

4.根據(jù)權利要求3所述的一種基于特征增強網絡的航拍圖像目標檢測方法，其特征在于：所述步驟二中還包括引入一條新的補充連接，連接主輸入和輸出。

5.根據(jù)權利要求4所述的一種基于特征增強網絡的航拍圖像目標檢測方法，其特征在于：步驟二中為每個輸入特征引入了附加權重，在每個網絡層間加權。

6.根據(jù)權利要求5所述的一種基于特征增強網絡的航拍圖像目標檢測方法，其特征在于：所述步驟三中引入siou-soft-nms算法，通過動態(tài)調整邊界框的置信度而非直接排除低iou值的邊界框。

7.根據(jù)權利要求6所述的一種基于特征增強網絡的航拍圖像目標檢測方法，其特征在于：siou-soft-nms算法采用高斯加權方法。

技術總結
本發(fā)明公開了一種基于特征增強網絡的航拍圖像目標檢測方法，包括構建基于區(qū)域Transformer注意力機制的特征提取增強網絡，在特征提取網絡中使用基于移位區(qū)域Transformer思想的感知增強模塊替換原始的部分全卷積運算，構建基于多層次加權的多尺度特征融合增強網絡，在特征融合部分的淺層上加入一個新的特征融合層，并在原始的特征輸入與輸出之間添加跨層連接，在后處理階段，在邊界框回歸的損失函數(shù)中引入角度匹配的框回歸損失函數(shù)，本申請可以以較低的計算開銷增強模型的全局感知能力，提升對多尺度目標的檢測性能，并增強了網絡對密集排列、相互遮擋目標的識別能力。

技術研發(fā)人員：畢福昆,徐盛野,后興海,劉文楷,曲洪權
受保護的技術使用者：北方工業(yè)大學
技術研發(fā)日：
技術公布日：2024/10/21