一种基于多尺度特征融合的小目标检测方法和模型
技术特征：
1.一种基于多尺度特征融合的小目标检测模型，其特征在于，包括骨干网络(1)和改进特征金字塔网络(2)；所述改进特征金字塔网络(2)包括尺度调整单元(201)、特征增强和融合单元(202)以及特征图像输出单元(203)；
2.根据权利要求1所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述骨干网络(1)为resnet50网络，所述resnet50网络包括从前到后依次连接的第一特征提取层(101)、第二特征提取层(102)、第三特征提取层(103)、第四特征提取层(104)和第五特征提取层(105)；所述第三特征提取层(103)、所述第四特征提取层(104)和所述第五特征提取层(105)的输出端均与所述尺度调整单元(201)连接，以向所述尺度调整单元(201)输出对应的所述初步特征图像。
3.根据权利要求2所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述尺度调整单元(201)包括第一卷积块(6)、第二卷积块(7)和第三卷积块(8)；
4.根据权利要求1所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述特征图像输出单元(203)包括第四卷积块(9)、第五卷积块(10)、第六卷积块(11)、第七卷积块(12)和第八卷积块(13)；
5.根据权利要求3所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述浅层融合模块(3)包括第一se注意力模块(301)、第一卷积注意力模块(302)和第一最大池化层(303)；
6.根据权利要求5所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述中层融合模块(4)包括第二se注意力模块(401)、第一亚像素卷积层(402)、第一卷积层(403)、第二卷积注意力模块(404)和第二最大池化层(405)；
7.根据权利要求6所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述第一卷积注意力模块(302)和所述第二卷积注意力模块(404)均包括第一输入层(14)、通道注意力模块(15)、空间注意力模块(16)和第一输出层(17)；
8.根据权利要求3所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述深层融合模块(5)包括第二卷积层(501)、第二亚像素卷积层(502)和ce特征增强模块(503)；
9.根据权利要求8所述的基于多尺度特征融合的小目标检测模型，其特征在于，所述ce特征增强模块(503)包括从前到后依次连接的第一二维卷积层（18）、第一bn层（19）、relu激活函数层（20）、第二二维卷积层（21）和第二bn层（22）。
10.一种基于多尺度特征融合的小目标检测方法，其特征在于，包括步骤：
技术总结
本申请属于图像处理技术领域，公开了一种基于多尺度特征融合的小目标检测方法和模型，引入浅层融合模块、中层融合模块和深层融合模块，用以对从输入图像提取的不同尺度的初步特征图像进行特征增强和融合处理，有利于最大化地提取不同层次的特征，以供后续进行目标检测，进而提高小目标检测的精度和鲁棒性。
技术研发人员：李小松,李锦阳,王晓磐,谭海曙,于昕梅
受保护的技术使用者：佛山大学
技术研发日：
技术公布日：2024/11/14
技术研发人员：李小松,李锦阳,王晓磐,谭海曙,于昕梅
技术所有人：佛山大学
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除