CN116994116B - 基于自注意力模型与yolov5的目标检测方法及*** - Google Patents
基于自注意力模型与yolov5的目标检测方法及*** Download PDFInfo
- Publication number
- CN116994116B CN116994116B CN202310977658.7A CN202310977658A CN116994116B CN 116994116 B CN116994116 B CN 116994116B CN 202310977658 A CN202310977658 A CN 202310977658A CN 116994116 B CN116994116 B CN 116994116B
- Authority
- CN
- China
- Prior art keywords
- image
- definition
- small target
- detection
- altitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 438
- 230000011218 segmentation Effects 0.000 claims abstract description 71
- 238000007689 inspection Methods 0.000 claims abstract description 52
- 238000003709 image segmentation Methods 0.000 claims description 70
- 230000004927 fusion Effects 0.000 claims description 56
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 9
- 238000003704 image resize Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于自注意力模型与yolov5的目标检测方法及***,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果。
Description
技术领域
本发明涉及智能模型目标检测技术领域,更具体地说,本发明涉及基于自注意力模型与yolov5的目标检测方法及***。
背景技术
基于自注意力模型与yolov5的目标检测在图像检测中应用越来越深入;基于自注意力模型与yolov5通过将图像目标检测设置为回归;Transformer模型将自注意力机制作为网络结构中的一层,仅使用自注意力和前馈网络来进行编码和解码;将单个卷积神经网络应用于整个图像,将图像分成网格,并预测每个网格的类概率和边界框;但是对于大范围自然灾害等场景中的小目标检测精度仍需提高;现阶段的目标检测通常只能通过单一检测方式进行多次检测,效率较低运算量较大;具体问题包括:如何获取全域图像及区域图像、如何对大分辨率高清图像进行特征增强、如何进行模型预测获取小目标检测数据、如何进行全域互验小目标检测、如何获取区域图像叠合图像检测结果以及如何提高检测结果精准度等问题尚待解决;因此,有必要提出基于自注意力模型与yolov5的目标检测方法及***,以至少部分地解决现有技术中存在的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念,这将在具体实施方式部分中进一步详细说明;本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述问题,本发明提供了基于自注意力模型与yolov5的目标检测方法,包括:
S100,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;
S200,对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
S300,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
S400,将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果。
优选的,S100包括:
S101,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;
S102,通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围。
优选的,S200包括:
S201,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;
S202,提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测。
优选的,S300包括:
S301,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;
S302,通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;
S303,将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别。
优选的,S400包括:
S401,将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;
S402,对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;
S403,对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;
将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果。
本发明提供了基于自注意力模型与yolov5的目标检测***,包括:
高低空域联合摄像分***,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;
图像分割特征增强分***,对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
分隔区域模型预测分***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
全域互验小目标检测分***,将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果。
优选的,高低空域联合摄像分***包括:
高空全域高清摄像子***,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;
低空区域快速摄像子***,通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围。
优选的,图像分割特征增强分***包括:
全域高清图像分割子***,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;
Transformer特征增强子***,提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测。
优选的,分隔区域模型预测分***包括:
输入图像重聚类子***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;
yolov5模型主干网络子***,通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;
yolov5模型预测子***,将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别。
优选的,全域互验小目标检测分***包括:
全域高清图像检测子***,将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;
区域图像叠合子***,对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;
检测输出互验子***,对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;
将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果。
相比现有技术,本发明至少包括以下有益效果:
本发明提供了基于自注意力模型与yolov5的目标检测方法及***,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;本发明通过自注意力模型Transformer优化与yolov5模型优化的图像目标检测对于小目标检测精度显著提高;能够解决现阶段的目标检测单一方式多次检测问题,效率大幅提高运算量适中;可以获取全域图像及区域图像;可以对大分辨率高清图像进行特征增强;可以进行模型预测获取小目标检测数据;能够进行全域互验小目标检测,获取区域图像叠合图像检测结果,显著提高检测结果精准度。
本发明所述的基于自注意力模型与yolov5的目标检测方法及***,本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明所述的基于自注意力模型与yolov5的目标检测方法步骤实施例图。
图2为本发明所述的基于自注意力模型与yolov5的目标检测***框架实施例图。
图3为本发明所述的基于自注意力模型与yolov5的目标检测***一个实施例图。
具体实施方式
下面结合附图以及实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书能够据以实施;如图1-图3所示,本发明提供了基于自注意力模型与yolov5的目标检测方法,包括:
S100,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;
S200,对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
S300,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
S400,将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果。
上述技术方案的原理及效果为:本发明提供了基于自注意力模型与yolov5的目标检测方法,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;本发明能够通过自注意力模型Transformer优化与yolov5模型优化的图像目标检测对于小目标检测精度显著提高;能够解决现阶段的目标检测单一方式多次检测问题,效率大幅提高运算量适中;可以获取全域图像及区域图像;可以对大分辨率高清图像进行特征增强;可以进行模型预测获取小目标检测数据;能够进行全域互验小目标检测,获取区域图像叠合图像检测结果,显著提高检测结果精准度。
在一个实施例中,S100包括:
S101,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;
S102,通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围。
上述技术方案的原理及效果为:利用高低空域联合摄像,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围;能够解决现阶段的目标检测单一方式多次检测问题;可以获取全域图像及区域图像。
在一个实施例中,S200包括:
S201,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;
S202,提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测。
上述技术方案的原理及效果为:利用图像分割特征增强,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测;可以对大分辨率高清图像进行特征增强。
在一个实施例中,S300包括:
S301,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;
S302,通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;
S303,将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别。
上述技术方案的原理及效果为:根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别;通过yolov5模型主干网络,进行图像细粒度聚合包括:对增强特征图像中的图像粒度构建增强特征的样本数据集;利用样本数据集训练YOLOv5网络模型,获取YOLOv5网络模型的权重参数;对YOLOv5网络模型改进,加入自注意力模型和Transformer模型网络,得到改进YOLOv5网络模型;将权重参数迁移到改进YOLOv5网络模型中,之后利用样本数据集对改进YOLOv5网络模型进行图像细粒度聚合训练,进行图像细粒度聚合YOLOv5模型主干网络构建,获得适用于进行图像细粒度聚合的权重参数,进行图像细粒度聚合;可以进行模型预测获取小目标检测数据,并大幅提高小目标检测效率。
在一个实施例中,S400包括:
S401,将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;
S402,对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;
S403,对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;
将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果。
上述技术方案的原理及效果为:利用全域互验小目标检测;将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果;能够进行全域互验小目标检测,获取区域图像叠合图像检测结果,显著提高检测结果精准度。
本发明提供了基于自注意力模型与yolov5的目标检测***,包括:
高低空域联合摄像分***,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;
图像分割特征增强分***,对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
分隔区域模型预测分***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
全域互验小目标检测分***,将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果。
上述技术方案的原理及效果为:本发明提供了基于自注意力模型与yolov5的目标检测***,利用高低空域联合摄像分***,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;图像分割特征增强分***,对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;分隔区域模型预测分***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;全域互验小目标检测分***,将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;本发明能够通过自注意力模型Transformer优化与yolov5模型优化的图像目标检测对于小目标检测精度显著提高;能够解决现阶段的目标检测单一方式多次检测问题,效率大幅提高运算量适中;可以获取全域图像及区域图像;可以对大分辨率高清图像进行特征增强;可以进行模型预测获取小目标检测数据;能够进行全域互验小目标检测,获取区域图像叠合图像检测结果,显著提高检测结果精准度。
在一个实施例中,高低空域联合摄像分***包括:
高空全域高清摄像子***,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;
低空区域快速摄像子***,通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围。
上述技术方案的原理及效果为:利用高低空域联合摄像,高空全域高清摄像子***,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;低空区域快速摄像子***,通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围;能够解决现阶段的目标检测单一方式多次检测问题;可以获取全域图像及区域图像。
在一个实施例中,图像分割特征增强分***包括:
全域高清图像分割子***,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;
Transformer特征增强子***,提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测。
上述技术方案的原理及效果为:利用图像分割特征增强;全域高清图像分割子***,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;Transformer特征增强子***,提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测;可以对大分辨率高清图像进行特征增强。
在一个实施例中,分隔区域模型预测分***包括:
输入图像重聚类子***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;
yolov5模型主干网络子***,通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;
yolov5模型预测子***,将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别。
上述技术方案的原理及效果为:利用分隔区域模型预测;输入图像重聚类子***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;yolov5模型主干网络子***,通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;yolov5模型预测子***,将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别;通过yolov5模型主干网络,进行图像细粒度聚合包括:对增强特征图像中的图像粒度构建增强特征的样本数据集;利用样本数据集训练YOLOv5网络模型,获取YOLOv5网络模型的权重参数;对YOLOv5网络模型改进,加入自注意力模型和Transformer模型网络,得到改进YOLOv5网络模型;将权重参数迁移到改进YOLOv5网络模型中,之后利用样本数据集对改进YOLOv5网络模型进行图像细粒度聚合训练,进行图像细粒度聚合YOLOv5模型主干网络构建,获得适用于进行图像细粒度聚合的权重参数,进行图像细粒度聚合;可以进行模型预测获取小目标检测数据,并大幅提高小目标检测效率。
在一个实施例中,全域互验小目标检测分***包括:
全域高清图像检测子***,将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;
区域图像叠合子***,对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;
检测输出互验子***,对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;
将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果。
上述技术方案的原理及效果为:利用全域互验小目标检测;全域高清图像检测子***,将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;区域图像叠合子***,对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;检测输出互验子***,对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果;能够进行全域互验小目标检测,获取区域图像叠合图像检测结果,显著提高检测结果精准度。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节与这里示出与描述的图例。
Claims (8)
1.基于自注意力模型与yolov5的目标检测方法,其特征在于,包括:
S100,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;
S200,对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
S300,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
S400,将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
S400包括:
S401,将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;
S402,对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;
S403,对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果。
2.如权利要求1所述的基于自注意力模型与yolov5的目标检测方法,其特征在于,S100包括:
S101,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;
S102,通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围。
3.如权利要求1所述的基于自注意力模型与yolov5的目标检测方法,其特征在于,S200包括:
S201,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;
S202,提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测。
4.如权利要求1所述的基于自注意力模型与yolov5的目标检测方法,其特征在于,S300包括:
S301,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;
S302,通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;
S303,将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别。
5.基于自注意力模型与yolov5的目标检测***,其特征在于,包括:
高低空域联合摄像分***,选取小目标检测图像采集范围,通过高空全域高清摄像及低空区域快速摄像,获取高空全域高清图像及多幅低空区域图像;
图像分割特征增强分***,对高空全域高清图像进行分割,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
分隔区域模型预测分***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过yolov5模型预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
全域互验小目标检测分***,将分割图像小目标检测数据匹配至分割位置获取全域高清图像检测结果;对多幅低空区域图像进行图像叠合及缩放,获取区域图像叠合图像检测结果;对图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
全域互验小目标检测分***包括:
全域高清图像检测子***,将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果;
区域图像叠合子***,对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果;
检测输出互验子***,对全域高清图像检测结果和区域图像叠合图像检测结果进行互验对比,获取小目标检测全域互验精准检测结果;
对多幅低空区域图像进行图像叠合及缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据检测等尺寸区域叠合图像,获取区域图像叠合图像检测结果包括:对多幅低空区域图像进行图像数据叠合,获取叠合区域图像;根据高空全域高清图像尺寸,进行叠合区域图像缩放,获取等尺寸区域叠合图像;根据区域图像小目标检测数据,获取区域图像叠合图像检测结果;将分割图像小目标检测数据匹配至高空全域高清图像原分割位置,获取全域高清图像检测结果包括:将分割图像小目标边界框,通过位置向量匹配,匹配至高空全域高清图像原分割位置,并进行非极大值抑制去除叠区重复框,获取全域高清图像检测结果。
6.如权利要求5所述的基于自注意力模型与yolov5的目标检测***,其特征在于,高低空域联合摄像分***包括:
高空全域高清摄像子***,选取小目标检测图像采集范围,通过高空全域高清摄像,拍摄全域互验小目标检测图像采集范围的高空全域高清图像;
低空区域快速摄像子***,通过低空区域快速摄像,快速依次拍摄小目标检测图像采集范围内的多幅低空区域图像;多幅低空区域图像采集范围叠合后全域互验小目标检测图像采集范围。
7.如权利要求5所述的基于自注意力模型与yolov5的目标检测***,其特征在于,图像分割特征增强分***包括:
全域高清图像分割子***,根据高空全域高清图像分辨率及yolov5检测分辨率,设置高清图像分割尺寸及分割边缘重叠区域,根据高清图像分割尺寸及分割边缘重叠区域对高空全域高清图像进行分割,获取高清图像分割图像集;
Transformer特征增强子***,提取高清图像分割图像集和多幅低空区域图像中每幅图像的特征,通过Transformer模型进行特征增强,获取高清图像分割图像增强特征和多幅低空区域图像增强特征;
根据高空全域高清图像分辨率与yolov5检测分辨率之间的比例,设置高清图像分割尺寸及分割边缘重叠区域包括:根据高空全域高清图像分辨率及yolov5检测分辨率,小目标像素最大尺寸在高空全域高清图像分辨率下,设置高清图像分割尺寸及分割边缘重叠区域尺寸均不小于小目标像素最大尺寸;选择高清图像分割图像的第一分割图像,选取四个临近分割图像,分别进行第一分割图像和临近分割图像合并检测;依次选择高清图像分割图像的第二分割图像,进行临近图像合并检测;当有完整小目标被分割边缘重叠区域分开时,通过分割临近图像合并检测进行分割小目标图像检测;选择多幅低空区域图像的第一区域图像,选取四个临近区域图像,分别进行第一区域图像和临近区域图像叠合检测;依次选择多幅低空区域图像的第二区域图像,进行临近图像叠合检测;当有小目标被区域图像边缘分离时,通过临近图像叠合检测进行分离小目标图像检测。
8.如权利要求5所述的基于自注意力模型与yolov5的目标检测***,其特征在于,分隔区域模型预测分***包括:
输入图像重聚类子***,根据高清图像分割图像增强特征和多幅低空区域图像增强特征,通过重聚类进行输入图像resize,符合yolov5模型检测预设输入尺寸,输入yolov5模型;
yolov5模型主干网络子***,通过yolov5模型主干网络,进行图像细粒度聚合;通过融合图像特征网络层,获取分割图像融合特征和区域图像融合特征;
yolov5模型预测子***,将分割图像融合特征和区域图像融合特征传递到yolov5模型预测层;yolov5模型预测层对分割图像融合特征和区域图像融合特征进行预测,获取分割图像小目标检测数据和区域图像小目标检测数据;
分割图像小目标检测数据包括:分割图像小目标边界框和分割图像小目标预测类别;区域图像小目标检测数据包括:区域图像小目标边界框和区域图像小目标预测类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977658.7A CN116994116B (zh) | 2023-08-04 | 2023-08-04 | 基于自注意力模型与yolov5的目标检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310977658.7A CN116994116B (zh) | 2023-08-04 | 2023-08-04 | 基于自注意力模型与yolov5的目标检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994116A CN116994116A (zh) | 2023-11-03 |
CN116994116B true CN116994116B (zh) | 2024-04-16 |
Family
ID=88529787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310977658.7A Active CN116994116B (zh) | 2023-08-04 | 2023-08-04 | 基于自注意力模型与yolov5的目标检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994116B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934163A (zh) * | 2018-12-27 | 2019-06-25 | 北京航空航天大学 | 一种基于场景先验和特征再融合的航空图像车辆检测方法 |
CN110009010A (zh) * | 2019-03-20 | 2019-07-12 | 西安电子科技大学 | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 |
CN113011404A (zh) * | 2021-05-25 | 2021-06-22 | 南京甄视智能科技有限公司 | 基于时空域特征的狗拴绳识别方法、装置 |
CN114359756A (zh) * | 2022-01-06 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种震后无人机遥感影像损毁房屋快速智能检测方法 |
CN114565864A (zh) * | 2022-02-28 | 2022-05-31 | 中科合肥智慧农业协同创新研究院 | 一种基于深度学习的果实识别方法 |
CN114821326A (zh) * | 2022-04-28 | 2022-07-29 | 中国电子科技集团公司第五十四研究所 | 一种宽幅遥感影像中密集弱小目标检测识别方法 |
CN114927236A (zh) * | 2022-06-10 | 2022-08-19 | 广东工业大学 | 一种面向多重目标图像的检测方法及*** |
CN114943903A (zh) * | 2022-05-25 | 2022-08-26 | 广西财经学院 | 一种针对无人机航空图像的自适应分簇目标检测方法 |
CN114970315A (zh) * | 2022-04-19 | 2022-08-30 | 河海大学 | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 |
CN115240089A (zh) * | 2022-07-07 | 2022-10-25 | 中国科学院长春光学精密机械与物理研究所 | 一种航空遥感图像的车辆检测方法 |
CN115240078A (zh) * | 2022-06-24 | 2022-10-25 | 安徽大学 | 一种基于轻量化元学习的sar图像小样本目标检测方法 |
CN115761223A (zh) * | 2022-10-20 | 2023-03-07 | 中国人民解放军战略支援部队信息工程大学 | 一种利用数据合成的遥感影像实例分割方法 |
CN115810157A (zh) * | 2022-12-19 | 2023-03-17 | 南京航空航天大学 | 一种基于轻量级特征融合的无人机目标检测方法 |
CN116030324A (zh) * | 2023-01-30 | 2023-04-28 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱特征与空间特征融合的目标检测方法 |
CN116310718A (zh) * | 2023-02-03 | 2023-06-23 | 广东工业大学 | 一种基于YOLOv5模型的害虫目标检测方法、***及设备 |
-
2023
- 2023-08-04 CN CN202310977658.7A patent/CN116994116B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934163A (zh) * | 2018-12-27 | 2019-06-25 | 北京航空航天大学 | 一种基于场景先验和特征再融合的航空图像车辆检测方法 |
CN110009010A (zh) * | 2019-03-20 | 2019-07-12 | 西安电子科技大学 | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 |
CN113011404A (zh) * | 2021-05-25 | 2021-06-22 | 南京甄视智能科技有限公司 | 基于时空域特征的狗拴绳识别方法、装置 |
CN114359756A (zh) * | 2022-01-06 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种震后无人机遥感影像损毁房屋快速智能检测方法 |
CN114565864A (zh) * | 2022-02-28 | 2022-05-31 | 中科合肥智慧农业协同创新研究院 | 一种基于深度学习的果实识别方法 |
CN114970315A (zh) * | 2022-04-19 | 2022-08-30 | 河海大学 | 一种基于空间动力特征深度学习的城市积水模拟和快速预测方法 |
CN114821326A (zh) * | 2022-04-28 | 2022-07-29 | 中国电子科技集团公司第五十四研究所 | 一种宽幅遥感影像中密集弱小目标检测识别方法 |
CN114943903A (zh) * | 2022-05-25 | 2022-08-26 | 广西财经学院 | 一种针对无人机航空图像的自适应分簇目标检测方法 |
CN114927236A (zh) * | 2022-06-10 | 2022-08-19 | 广东工业大学 | 一种面向多重目标图像的检测方法及*** |
CN115240078A (zh) * | 2022-06-24 | 2022-10-25 | 安徽大学 | 一种基于轻量化元学习的sar图像小样本目标检测方法 |
CN115240089A (zh) * | 2022-07-07 | 2022-10-25 | 中国科学院长春光学精密机械与物理研究所 | 一种航空遥感图像的车辆检测方法 |
CN115761223A (zh) * | 2022-10-20 | 2023-03-07 | 中国人民解放军战略支援部队信息工程大学 | 一种利用数据合成的遥感影像实例分割方法 |
CN115810157A (zh) * | 2022-12-19 | 2023-03-17 | 南京航空航天大学 | 一种基于轻量级特征融合的无人机目标检测方法 |
CN116030324A (zh) * | 2023-01-30 | 2023-04-28 | 中国农业科学院农业资源与农业区划研究所 | 一种基于光谱特征与空间特征融合的目标检测方法 |
CN116310718A (zh) * | 2023-02-03 | 2023-06-23 | 广东工业大学 | 一种基于YOLOv5模型的害虫目标检测方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116994116A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3510561B1 (en) | Predicting depth from image data using a statistical model | |
CN108352074A (zh) | 准参数光学流估计 | |
WO2019096952A1 (en) | A system and method for single image object density estimation | |
CN112270280B (zh) | 一种基于深度学习的遥感图像中的露天矿场检测方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
JP5549345B2 (ja) | 画像収集装置に用いる天空検出装置及び方法 | |
CN113239869B (zh) | 基于关键帧序列和行为信息的两阶段行为识别方法及*** | |
CN112990077A (zh) | 基于联合学习与光流估计的面部动作单元识别方法及装置 | |
JP2020060879A (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
Singh et al. | Semantic segmentation using deep convolutional neural network: A review | |
Saida et al. | CNN-based segmentation frameworks for structural component and earthquake damage determinations using UAV images | |
CN116994116B (zh) | 基于自注意力模型与yolov5的目标检测方法及*** | |
CN113435514A (zh) | 一种基于元深度学习的建筑垃圾精细分类方法、装置 | |
Midwinter et al. | Unsupervised defect segmentation with pose priors | |
CN113538351B (zh) | 一种融合多参数电信号的外绝缘设备缺陷程度评估方法 | |
CN111160255B (zh) | 一种基于三维卷积网络的捕鱼行为识别方法及*** | |
CN114419078A (zh) | 基于卷积神经网络的表面缺陷区域分割方法及装置 | |
CN113505834A (zh) | 训练检测模型、确定图像更新信息和更新高精地图的方法 | |
Chu et al. | Cascade operation-enhanced high-resolution representation learning for meticulous segmentation of bridge cracks | |
CN117612164B (zh) | 基于双重边缘检测的细胞***均衡度检测方法 | |
CN116612390B (zh) | 一种建筑工程用的信息管理*** | |
CN111814814B (zh) | 一种基于图像超分辨网络的单阶段目标检测方法 | |
Lukashevich et al. | U-Net architecture application to nuclei cell detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |