基于Transformer特征关联融合小目标检测算法研究

随着信息化时代的发展,数字技术广泛应用在军事领域。目标检测是武器系统的核心功能,是影响战争局势的重要因素,在侦察、预警及监视等方面具有重要的作用。然而当今目标检测领域主要存在四个问题:小目标检测、小样本检测、检测实时性和遮挡目标检测,小目标检测更是其中的重点和难点。小目标一般只占有几十甚至几个像素,传统检测算法难以依据先验知识,构建适当的特征提取模型并取得精确的检测结果。深度学习检测算法在特征提取时容易丢失特征信息,在复杂多变的应用场景下,容易混淆目标特征与背景噪声。此外,当前的小目标检测算法存在小目标语义特征利用不充分、小目标空间特征不突出等问题。算法检测准确率较低,存在大量漏检和误检现象。针对上述问题,本文提出了一种基于多尺度局部卷积特征关联(Multi-scale Local Convolutional Feature Association,MLCFA)机制的小目标检测算法。MLCFA的核心部分包含局部卷积注意力关联(Local Convolutional Attention Association,LCAA)模块和互注意力特征重构(Cross Attention Feature Reconstruction,CAFR)模块。LCAA模块对特征融合网络得到的多尺度特征图提取特征相关性,并加强小目标内部像素之间的联系,抑制背景噪声的同时突出小目标空间特征的统一性,提高复杂背景下的检测鲁棒性。CAFR模块通过自注意力机制得到100个查询向量,并结合LCAA得到的关联特征序列进行全局特征重构,通过全连接网络得到目标检测信息,一定程度上解决了小目标边界框扰动以及特征缺失的问题。在TinyPerson数据集上的对比实验表明,搭载MLCFA的网络模型与RetinaNet等算法相比,对两类目标检测的F1-Score分别提升了19.81%和11.88%,大幅度提高了小目标检测性能,证明了MLCFA模块的有效性。此外通过收敛速度实验表明,MLAFC只需要50个epoch即可具备良好的检测性能,模型推理较快,具有一定的模型迁移能力。