(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 202210559371.8 (22)申请日 2022.05.20 (71)申请人 湖南神帆科技有限公司 地址 410000 湖南省长 沙市芙蓉区韶山北 路39号维一星 城1813房 (72)发明人 李智勇　张锋　韩幸　张鹏　杨芳　 覃业聚　 (74)专利代理 机构 长沙昌恒达专利代理事务所 (普通合伙) 43283 专利代理师 胡昌国 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于高斯分配策略的图像小目标检测 方法及系统 (57)摘要 本发明公开了一种基于高斯分配策略的图 像小目标检测方法及系统， 通过加载图像和提取 图像的相应特征， 构成多尺度特征图集合； 将提 取的底层特征图和高层特征图进行特征融合， 生 成融合特征图； 根据生成的融合特征图预测目标 的类别、 目标预测框的坐标值和目标框的中心 度； 使用高斯分配策略分配图像正负样本； 结合 分配的正负样本和网络输出的目标类别、 预测框 坐标和中心度计算网络损失； 根据计算出的网络 损失来更新网络参数直到网络收敛； 利用训练好 的网络， 预测输入图像中目标的类别、 目标预测 框的坐标值和目标框的中心度， 之后利用后处理 算法获得检测结果。 本发明使小目标检测器的性 能平均提高两倍， 对于非常微小的目标， 甚至可 以提高三 倍。 权利要求书4页 说明书15页 附图6页 CN 114782709 A 2022.07.22 CN 114782709 A 1.一种基于高斯分配策略的图像小目标检测方法， 其特 征在于， 包括以下步骤： 加载图像和提取图像的相应特 征， 构成多尺度特 征图集合； 将提取的底层特 征图和高层特 征图进行 特征融合， 生成融合特 征图； 根据生成的所述融合特征图进行检测输出， 预测目标的类别、 目标预测框的坐标值和 目标框的中心度； 使用高斯分配策略分配图像正负 样本； 结合分配的正负 样本和网络 输出的目标类别、 预测框坐标和中心度计算网络损失； 根据计算出的网络损 失来更新网络参数， 重复以上训练步骤， 不断更新网络参数直到 网络收敛； 利用训练好的网络， 预测输入图像中目标的类别、 目标预测框的坐标值和目标框的中 心度； 对检测结果进行非极大值抑制处理， 去 除重复预测的目标类别和预测框坐标值， 获得 最终检测结果。 2.如权利要求1所述的基于 高斯分配策略的图像小目标检测方法， 其特征在于， 所述加 载和提取图像的相应特 征， 构成多尺度特 征图集合的步骤之后还 包括： 将目标标注框映射为二维热图 其中， N表示批大小、 C表示类别数量、 H表 示高、 W表示宽、 S表示下采样率； 由标注产生的热图来对训练样本进行编码， 利用预设的α 阈值来控制正样本的比例， 热 图中大于α 阈值的样本为 正样本， 热图中小于或等于α 阈值的样本为负 样本； 对编码后的训练样本应用于回归权 重。 3.如权利要求2所述的基于 高斯分配策略的图像小目标检测方法， 其特征在于， 所述将 目标标注框映射 为二维热图 的步骤中， 对于一个标注框mth， (x， y， w， h)属于第m类， 将线性 地映射到特 征图的尺度上； 采用二维高斯分布N(m， ∑)产生热图 二维高斯分布的概 率密度函数由以下公式给 出： 其中， x表示高斯分布的坐标(x， y)、 μ表示高斯分布的平均矢量、 ∑表示高斯分布的协 方差矩阵； 权　利　要　求　书 1/4 页 2 CN 114782709 A 2其中， β用来限制w和h的最大值， 以平衡分配给不同尺寸物体的正样本数量； 通过对Hm进行逐元素取最大处 理来更新H中的第cm通道； 对于旋转的标注框(x， y， w， h， θ )， 采用旋转的二维高斯分布N( μ， ∑)来产生目标的热 图， 其中， w为旋转宽度、 h表示旋转高度， θ表示旋转角度。 4.如权利要求3所述的基于 高斯分配策略的图像小目标检测方法， 其特征在于， 所述由 标注产生的热图来对训练样 本进行编码， 利用预设的α 阈值来控制正样本的比例， 热图中大 于α 阈值的样本为 正样本， 热图中小于或等于α 阈值的样本为负 样本的步骤中， 样本的目标的中心度定义 为： 其中， l， r， t， b分别代 表目标中心点到目标框左右上 下四条边的距离 。 5.如权利要求4所述的基于 高斯分配策略的图像小目标检测方法， 其特征在于， 所述对 编码后的训练样本应用于回归权 重的步骤中， 假设(i， j)在第m个标注框的子区域Am内， Wij为回归样本 权重， 其中， Gm(i， j)是高斯 概率在(i， j)处的高斯 概率， am是第m个盒子的面积。 6.一种基于高斯分配策略的图像小目标检测系统， 其特 征在于， 包括： 特征提取模块(10)， 用于加载和提取图像的相应特 征， 构成多尺度特 征图集合； 特征融合模块(20)， 用于将提取的底层特征图和高层特征图进行特征融合， 生成融合 特征图； 检测模块(30)， 用于根据生成的所述融合特征图进行检测输出， 预测目标的类别、 目标 预测框的坐标值和目标框的中心度； 分配模块(40)， 用于使用高斯分配策略分配图像正负 样本； 计算模块(50)， 用于结合分配的正负样本和网络输出的目标类别、 预测框坐标和中心 度计算网络损失； 更新模块(60)， 用于根据计算出的网络损失来更新网络参数， 重复以上训练步骤， 不断 更新网络参数直到网络收敛； 预测模块(70)， 用于利用训练好的网络， 预测输入图像 中目标的类别、 目标预测框的坐 标值和目标框的中心度； 后处理模块(80)， 用于对检测结果进行非极大值抑制处理， 去除重复预测的目标类别 和预测框坐标值， 获得最终检测结果。 7.如权利要求6所述的基于 高斯分配策略的图像小目标检测系统， 其特征在于， 所述基 于高斯分配策略的图像小目标检测系统还 包括：权　利　要　求　书 2/4 页 3 CN 114782709 A 3