(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210190240.7 (22)申请日 2022.03.01 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 王莉莉　姚文杰　韩文双　 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 3/40(2006.01) G06T 5/00(2006.01) G06T 7/13(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于图像增强与多特征融合的小目标检测 方法 (57)摘要 本发明公开了一种基于图像增强与多特征 融合的小目标检测方法， 该方法包括： 将待检测 图片传入到图像增强网络， 生 成超分图片后再输 入到小目标检测网络输出检测结果； 该模型的建 立过程包括使用生成器、 鉴别器、 边缘增强网络 构建基于生成对抗网络的超分算法从而对图像 进行增强处理； 目标检测网络以VGG19网络为特 征提取网络， 利用特征金字塔方法对SSD网络的 特征层进行特征融合、 特征增强， 构建小目标检 测网络； 利用处理好的小目标数据集对模型进行 迭代训练， 得到训练好的小目标检测模型。 权利要求书1页 说明书3页 附图2页 CN 114581790 A 2022.06.03 CN 114581790 A 1.一种基于 图像增强和多特征网络融合的小目标检测方法， 其特征在于， 包括以下步 骤： 步骤1： 构建新颖的图像增强网络， 使 待检测图片清晰度获得提升； 步骤2： 建立改进后的S SD多特征融合网络作为检测器； 步骤3： 将增强后的图像传递到检测网络； 步骤4： 针对步骤2优化训练参数和模型参数。 2.根据权利要求1所述的步骤1基于图像增强与多特征融合的小目标检测方法， 其特征 在于， 图像增强网络由生成器、 鉴别器、 边 缘增强网络共同构成。 3.根据权利要求1步骤2所述的基于图像增强与多特征融合的小目标检测方法， 其特征 在于， 构建一条针对小目标 特征提取的特 征增强及注意力融合机制。 4.根据权利要求2所述的基于图像增强与多特征融合的小目标检测方法， 其特征在于， 所有批处 理层全部移除、 并由残差网络块代替。 5.根据权利要求2所述的基于图像增强与多特征融合的小目标检测方法， 其特征在于， 利用拉普拉斯变换提取边缘特征信息， 将生成器生成的边缘减去拉普拉斯处理后的边缘， 得到边缘增强后的图像。 6.根据权利要求1所述的步骤2基于图像增强与多特征融合的小目标检测方法， 其特征 在于， 构建一条由特 征增强、 特 征上采样、 自注意力融合的小目标 特征增强路径。 7.根据权利要求1的步骤3和权利要求1的步骤4所述的基于 图像增强与多特征融合的 小目标检测方法， 其特征在于， 通过设定不同的学习率、 优化器、 批处理量， 对所述数据进 行 训练， 既可以进行分离训练又 可以进行端到端训练。 8.根据权利要求7所述的所述的基于图像增强与多特征融合的小目标检测方法， 其特 征在于， 分离训练可以安顺序单独训练图像增强网络和检测网络， 端到端训练可以将图像 增强网络和检测网络作为整体网络进行训练。权　利　要　求　书 1/1 页 2 CN 114581790 A 2基于图像增强与多特征融合的小目标 检测方法 技术领域 [0001]本发明涉及计算机视觉技术领域， 特别是一种基于图像增强与多特征融合的小目 标检测方法。 背景技术 [0002]小目标检测是指针对图像中像素占比较少的目标， 借助计算机视觉在图像中找到 并判断该目标所属类别的目标检测技术， 目前已被广泛应用于国 防军事、 交通运输、 工业等 领域。 [0003]在复杂的现实场景中， 由于拍摄角度不同、 非目标物体遮挡、 成像天气和光照条件 各异， 导致小目标不 易定位， 难以辨别。 [0004]同时， 小尺寸目标缺乏区分自身与背景或相似类别的外观信息， 且在深度卷积网 络中极易丢失特 征信息， 在检测时容 易出现漏检和误检的情况。 发明内容 [0005]本发明解决现有技术中存在的缺点和不足， 提出一种通过图像增强和单阶段检测 网络构成具有高识别率的小目标检测方法。 [0006]本发明解决其 技术问题所采用的技 术方案做出说明。 [0007]一种基于图像增强与多特 征融合的小目标检测方案， 其实现包括以下步骤。 [0008]步骤1、 构建基于GAN的超分网络， 具体步骤如下： 步骤1‑1、 SR网络由三部分组成:发生器(G)、 鉴别器(D)和边 缘增强网络(E EN)： 步骤1‑2、 使用ESRGAN的生成器架构， 其中所有批处 理规范化(BN)层都是已移除； 步骤1‑3、 生成器G具有RRDB((residual ‑in‑residual  dense blocks)、 卷积和上 采样块； 步骤1‑4、 使用RRDB作为生成网络G的基本块并与多个残差网络块进行 连接。 [0009]步骤2、 构建边 缘增强网络， 具体步骤如下： 步骤2‑1、 利用拉普拉斯 算子对输入图像进行边 缘提取； 步骤2‑2、 图像边 缘信息提取后经 过卷及网络、 R RDB模块及上采样模块； 步骤2‑3、 将增强的边 缘添加到 输入图像中， 然后减去拉普拉斯 算子提取的边 缘； 步骤3、 构建并改进检测网络， 其实现步骤如下： 步骤3‑1、 使用VGG ‑19作为主干网络， 在SSD的基础上添加一条递归 反向路径， 该路 径将增强后的深层特 征信息向前传递， 增 加小目标感受能力； 步骤3‑2、 采用递归的方式自适应地融合浅层特 征图和上采样后的深层特 征图。 [0010]步骤4、 训练模型， 其实现步骤如下： 步骤4‑1、 本发明方法采用COWC数据集， 其中包含六个地区的卫星拍摄的汽车图片 (一像素15 cm)； 步骤4‑2、 训练集与测试集 为8:2。说　明　书 1/3 页 3 CN 114581790 A 3