(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 202210264690.6 (22)申请日 2022.03.17 (71)申请人 盐城工学院 地址 224000 江苏省盐城市希望大道中路1 号 申请人 云火科技 （盐城） 有限公司 (72)发明人 董琴　王昕　陈瑾　黄乾峰　 (74)专利代理 机构 常州盛鑫专利代理事务所 (普通合伙) 32459 专利代理师 刘燕芝 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/40(2022.01) G06V 20/54(2022.01) G06V 10/44(2022.01)G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 微小目标的特征识别方法、 装置、 电子设备 及存储介质 (57)摘要 本发明涉及智能决策技术领域， 提出一种微 小目标的特征识别方法， 包括： 对目标图像进行 卷积操作， 得到各个卷积层级的堆叠集合； 从所 述各个卷积层级的堆叠集合中筛选出目标卷积 层， 并根据预设的感受野系数集合对 所述目标卷 积层进行空洞卷积， 得到空洞网络堆叠集合， 将 所述空洞网络堆叠集合中的各个空洞网络层进 行特征融合， 得到目标卷积层对应的融合网络 层； 依次将各个目标卷积层对应的融合网络层进 行特征叠加操作， 得到上下文增强特征网络层的 堆叠集合； 对 所述上下文增强特征网络层的堆叠 集合进行注 意力权重计算， 得到注 意力增强特征 网络层的堆叠集合； 最后， 对注意力增强特征网 络层的堆叠集合进行特征识别。 本发 明可以提高 微小目标的识别效果。 权利要求书3页 说明书11页 附图4页 CN 114612807 A 2022.06.10 CN 114612807 A 1.一种微小目标的特 征识别方法， 其特 征在于， 所述方法包括： 获取微小目标的目标图像， 并利用预构建的卷积核， 根据预设的卷积规则， 对所述目标 图像进行 卷积操作， 得到各个卷积层级的堆叠集 合； 从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层， 并依次提取其中一个目标 卷积层， 根据预设的感受野系数集合， 对所述目标卷积层进 行空洞卷积， 得到所述目标卷积 层对应的空洞网络堆叠集 合； 将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合， 得到所述目标卷积层对 应的融合网络层； 获取全部目标 卷积层对应的融合网络层， 得到融合网络层的堆叠集 合； 根据预设的残差连接方法及反卷积方法， 依次将所述融合网络层的堆叠集合中的融合 网络层进行 特征叠加操作， 得到上 下文增强特 征网络层的堆叠集 合； 利用注意力 机制网络对所述上下文增强特征网络层的堆叠集合进行注意力 权重计算， 得到注意力增强特 征网络层的堆叠集 合； 利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征 识别， 得到所述 微小目标的特 征识别结果。 2.如权利要求1所述的微小目标的特征识别方法， 其特征在于， 所述根据 预设的残差连 接方法及反卷积方法， 依次将所述融合网络层的堆叠集合中的融合网络层进 行特征叠加操 作， 得到上 下文增强特 征网络层的堆叠集 合， 包括： 将所述卷积核 进行转置操作， 得到转置卷积核； 提取所述融合网络层的堆叠集合中的第N层融合网络层， 根据反卷积方法， 利用所述转 置卷积核将所述第N层融合网络层 进行上采集操作， 得到第N层上采集网络层， 其中， 所述第 N层初始为最上层； 提取所述融合网络层的堆叠集合中的第N ‑1层融合网络层， 并利用残差连接方法， 将所 述第N‑1层融合网络层及所述第N层上采集网络层进行特征叠加操作， 得到第N ‑1层上下文 增强特征网络层； 判断所述第N ‑1层是否为预设数值层； 当所述第N ‑1层不为预设数值层， 则将所述第N ‑1层上下文增强特征网络层定义为第N ‑ 1层融合网络层， 并对所述N进行减一操作， 返回上述提取所述融合网络层的堆叠集合中的 第N层融合网络层的步骤： 当所述第N ‑1层为预设数值层， 则将各个层的上下文增强特征网络层进行提取， 得到上 下文增强特 征网络层的堆叠集 合。 3.如权利要求1所述的微小目标的特征识别方法， 其特征在于， 所述利用注意力 机制网 络对所述上下文增强特征网络层的堆叠集合进 行注意力权重计算， 得到注意力增强特征网 络层的堆叠集 合， 包括： 根据预设的参数配置集合， 对所述上下文特征增强矩阵的堆叠集合中各个上下文增强 特征网络层进行参数配置， 得到各个上下文增强特征网络层对应的查询向量、 键 向量及值 向量； 依次从所述上下文特征增强矩阵的堆叠集合中定义一个上下文增强特征网络层为目 标增强矩阵， 并根据所述各个上下文增强特征网络层的查询向量、 键 向量及值向量及注意权　利　要　求　书 1/3 页 2 CN 114612807 A 2力机制， 将所述目标增强矩阵与所述上下文增强特征网络层的堆叠集合中其余上下文增强 特征矩阵进行注意力交 互计算， 得到所述目标增强矩阵的注意力增强特 征网络层； 当所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层全部遍历完 成时， 得到注意力增强特 征网络层的堆叠集 合。 4.如权利要求1所述的微小目标的特征识别方法， 其特征在于， 所述利用预构建的卷积 核， 根据预设的卷积规则， 对所述目标图像进行卷积操作， 得到各个卷积层级的堆叠集合， 包括： 对所述目标图像进行向量 化处理， 得到向量矩阵； 利用预构建的卷积核， 对所述向量矩阵进行预设次数的卷积操作， 得到各个层级的卷 积层的堆叠集 合。 5.如权利要求1所述的微小目标的特征识别方法， 其特征在于， 所述根据 预设的感受野 系数集合， 对所述 目标卷积层进行空洞卷积， 得到所述 目标卷积层对应的空洞网络堆叠集 合， 包括： 根据预设的感受野系数对所述卷积核 进行零值填充操作， 得到扩张卷积核集 合； 利用所述扩 张卷积核集合中的各个扩 张卷积核对所述目标卷积层进行卷积操作， 得到 所述目标 卷积层对应的空洞网络堆叠的堆叠集 合。 6.如权利要求1所述的微小目标的特征识别方法， 其特征在于， 所述将所述空洞网络堆 叠集合中的各个空洞网络层进行 特征融合， 得到所述目标 卷积层对应的融合网络层， 包括： 根据预设权 重系数， 将所述各个空洞网络层进行权 重配置； 将配置后的各个空洞网络层进行加权平均计算， 得到所述目标卷积层对应的融合网络 层。 7.如权利要求1所述的微小目标的特征识别方法， 其特征在于， 所述利用预训练 的特征 识别神经网络对所述注意力增强特征网络层的堆叠集合进 行特征识别， 得到所述微小目标 的特征识别结果， 包括： 利用所述特征识别神经网络提取所述注意力增强特征网络层的堆叠集合中的图像特 征， 得到特 征序列集 合； 对所述特 征序列集 合进行特征识别， 得到特 征概率值； 输出所述特征概率值大于预设有 效得分阈值的识别类型， 得到所述微小目标的识别结 果。 8.一种微小目标的特 征识别装置， 其特 征在于， 所述装置包括： 初级卷积模块， 用于获取微小目标的目标图像， 并利用预构建的卷积核， 根据预设的卷 积规则， 对所述目标图像进行 卷积操作， 得到各个卷积层级的堆叠集 合； 空洞卷积模块， 用于从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层， 并依 次提取其中一个目标卷积层， 根据预设的感受野系 数集合， 对所述 目标卷积层进行空洞卷 积， 得到所述目标 卷积层对应的空洞网络堆叠集 合； 多感受野特征融合模块， 用于将所述空洞网络堆叠集合中的各个空洞网络层进行特征 融合， 得到所述目标卷积层 对应的融合网络层， 及获取全部目标卷积层 对应的融合网络层， 得到融合网络层的堆叠集； 上下文增强特征融合模块， 用于根据预设的残差连接方法及反卷积方法， 依次将所述权　利　要　求　书 2/3 页 3 CN 114612807 A 3