(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210483555.0 (22)申请日 2022.05.05 (65)同一申请的已公布的文献号 申请公布号 CN 114863426 A (43)申请公布日 2022.08.05 (73)专利权人 北京科技大 学 地址 100000 北京市海淀区学院路3 0号 (72)发明人 张桃红　李倩倩　郭徐徐　 (74)专利代理 机构 北京中睿智恒知识产权代理 事务所(普通 合伙) 16025 专利代理师 邓大为 (51)Int.Cl. G06V 20/69(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)(56)对比文件 CN 114202672 A,202 2.03.18 CN 112800906 A,2021.0 5.14 CN 114119582 A,202 2.03.01 CN 114037938 A,202 2.02.11 CN 113609926 A,2021.1 1.05 CN 113673616 A,2021.1 1.19 Yuan Mei et al. .SNG-YOLOX: N on- obvious remote sensi ng target detecti on based on enhanced YOLOX. 《Researc h Square》 .202 2, 冯文宇等.复杂环境下课 堂多人状态检测算 法研究. 《电子测量与仪 器学报》 .2021,第3 5卷 (第6期), YiWen Zhang et al. .Classroom behavi or recognition based o n improved yo lov3. 《2020 I nternati onal Conference o n Artificial I ntelligence and Educati on (ICAIE)》 .2020, 审查员 周婷 (54)发明名称 一种目标特征注意力与金字塔相耦合的微 小目标检测方法 (57)摘要 本发明公开了一种目标特征注意力与金字 塔相耦合的微小目标检测方法， 包括以下步骤： S101， 特征提取层的近末端加入空间金字塔池 化， 提高对局部小目标特征的感知能力， 且同时 兼顾全局特征； S102， 特征融合层嵌入关键小目 标特征通道注意力和空间注意力做金字塔式融 合， 达到有效聚焦小目标特征， 去除冗余， 减少参 数， 降低计算量的目的； S103， 引入无锚解耦检测 头， 对提取的小目标特征进行目标检测， 输出所 检测目标的位置和类别， 提高对杂乱背景中的小 目标或大背景中的小目标的检测精度和效率。 本 发明能够对杂乱背景中的小目标或大背景中的 小目标， 如有划痕铜块表面的氧化斑点， 进行准确高效快速的检测。 权利要求书3页 说明书8页 附图4页 CN 114863426 B 2022.12.13 CN 114863426 B 1.一种目标特征注意力与金字塔相耦合的微小目标检测方法， 其特征在于， 包括以下 步骤： S101， 特征提取层的近末端加入空间金字塔池化， 提高对局部小目标特征的感知能力， 且同时兼顾全局特 征； S102， 特征融合层嵌入关键小目标特征通道注意力和空间注意力做金字塔式融合， 达 到有效聚焦小目标特征， 去除冗余， 减少参数， 降低计算量的目的， 其中， 注 意力机制不参与 特征提取层的网络结构， 仅对提取层输出的关键小目标 特征引入注意力机制； S103， 引入无锚解耦检测头， 对提取的小目标特征进行目标检测， 输出所检测目标的位 置和类别， 提高对杂乱背景中的小目标或大背景中的小目标的检测精度和效率； S104， 训练预测时采用SimOTA动态匹配正样本， 利用CIOU损失改进检测模型的回归损 失函数， 使预测框回归更加稳定； 并引入焦点损失提高检测模型对目标的敏感性， 加速训 练； 交叉熵损失作分类损失， 其中， 将预处理图像分批次输入到模型中， 进行特征提取和特 征融合， 经无锚解耦检测 头后检测得到大量预测框； 在对预测框筛选过程中引入SimOTA动 态匹配正样本， 计算每个真实框和每个特征点之间的代价关系， 选择在一个固定的中心 区 域内成本最小的前k个预测作为其正样本； 最后， 将这些正预测的相应网格划分为正， 其余 网格划分为负， 网络损失由三个部分组成， 分别是回归损失、 目标损失、 分类损失； 所述回归损失的计算方式如下： 式中， n表示经SimOTA动态匹配正样本后得到的正样本数目， ρ2(b,bgt)代表了预测框和 真实框的中心点的欧式距离， c表示同时包含预测框和真实框的最小闭包区域的对角线距 离； w代表了预测框的宽， wgt代表了真实框的宽， h预测框的高， hgt代表了真实框的高； 所述目标损失的计算方法如下： 式中， α是平衡因子， 用来平衡正负样本本身的数量比例， γ代表指数比例系数， N表示 总的预测框数目， 表示第i个预测框包 含一个对象， 表示预测框只包 含背景；权　利　要　求　书 1/3 页 2 CN 114863426 B 2所述分类损失的计算方式如下： 式中， n为经Si mOTA动态匹配正样本后得到的正样本数目， 类的预测用pi(c)表示， 带^的 变量表示它 们是预测值， 否则， 表示真实值； 所述检测模型的损失函数表示 为： LOSS＝wregLreg+Lobj+Lnoobj+Lcls 其中， wreg为回归损失的权 重。 2.根据权利要求1所述的一种目标特征注意力与金字塔相耦合的微小目标检测方法， 其特征在于， 所述S101中， 特征提取层的近末端加入空间金字塔池化， 提高对局部小目标特 征的感知能力， 且同时兼顾全局特 征， 具体包括： 空间金字塔池化结构参杂在对特征提取网络的最后 一个特征层的卷积里， 在对特征提 取网络的最后一个特征层进行三次卷积后， 分别利用四个不同尺度的最大池化进行处理， 最大池化的池化核大小分别 为13x13、 9x9、 5x5、 1x1， 每个池化层的步长为1， 该池化层能够 极大地增加感受野， 分离出最显著的上下文 特征， 提取并融合局部区域特征， 由此更适应对 杂乱背景中的小目标或大背景中的小目标的检测， 增强检测网络的鲁棒 性。 3.根据权利要求1所述的一种目标特征注意力与金字塔相耦合的微小目标检测方法， 其特征在于， 所述S102中， 特征融合层嵌入关键小目标特征通道注意力和空间注意力做金 字塔式融合， 达到有效聚焦小目标特征， 去除冗余， 减少参数， 降低计算量的目的， 具体包 括： 对输入进来的关键小目标特征层， 分别进行通道注意力 机制的处理和空间注意力 机制 的处理； 通道注意力集中在 全局信息上， 而空间注意力则 在局部使用， 可以提取全面的突出 特征来提高杂乱背景中的小目标或大背景中的小目标的检测性能； 在经过注意力机制处理 后将多尺度的关键小目标特征利用金字塔模型进 行特征融合后做独立检测， 提升对小目标 的检测效果。 4.根据权利要求3所述的一种目标特征注意力与金字塔相耦合的微小目标检测方法， 其特征在于， 所述通道注意力机制， 对输入的单个关键小目标特征层， 分别进 行全局平均池 化和全局最大池化， 将其利用共享全连接层 进行处理后相加， 经sigmoid函数获取输入 特征 层每一个通道的权值， 即输入特 征层通道 注意力权值。 5.根据权利要求3所述的一种目标特征注意力与金字塔相耦合的微小目标检测方法， 其特征在于， 所述空间注意力机制， 对输入的单个关键小目标特征层， 在每一个特征点的通 道上取最大值和平均值,将其堆叠后利用通道数为1的卷积调整通道， 经sigmoid函数获得 输入特征层每一个特 征点的权值， 即输入特 征层空间注意力权值。 6.根据权利要求3所述的一种目标特征注意力与金字塔相耦合的微小目标检测方法， 其特征在于， 在特征融合层中， 仅对关键小目标特征引入注 意力机制， 而非在整个特征提取 过程中， 在卷积后串联注意力机制或者序列化的使用注意力， 注意力机制不参与特征提取 层的网络结构， 只对关键小目标特征进行强化和融合， 可以去除冗余， 减少非必要的参数， 降低计算 量。权　利　要　求　书 2/3 页 3 CN 114863426 B 3