一种自适应图像融合数据增强的高原鼠兔目标检测方法

摘要

高原鼠兔目标检测是统计高原鼠兔种群数量和研究其种群动态变化的基础。基于深度卷积神经网络的目标检测模型在训练数据缺乏时会导致模型的检测性能下降,甚至出现过拟合现象。基于GAN(Generative Adversarial Network)的数据增强方法可以生成与原始数据集同分布的目标图像,能够有效解决训练数据缺乏的问题。然而GAN生成的目标图像与背景图像相融合时采用逐像素相加或直接像素替换生成新图像的方法会造成融合图像边界突出,且当被融和的目标图像和背景图像的颜色差异较大时,会产生融合图像的目标颜色与实际场景不符的问题。针对以上问题,该研究提出了一种基于多尺度梯度生成对抗网络MSG-GAN(Multi-Scale Gradients for Generative Adversarial Networks)的自适应图像融合数据增强方法。首先将训练样本中的目标图像提取出来,用于训练多尺度梯度生成对抗网络MSG-GAN,使其能够生成新的目标图像;其次,采用颜色直方图自适应地选择颜色相近的目标图像和背景图像;然后,采用泊松融合方法对自适应选择的目标图像和背景图像进行融合得到新图像,从而使得融合图像的目标边界更为平滑,减小融合图像中目标与背景之间的颜色差异;最后,将融合图像加入到原始训练集得到增强训练集,对目标检测模型进行训练。对自然场景下的高原鼠兔目标检测的试验结果表明:该研究所提出的数据增强方法训练的目标检测模型的平均精度为89.3%,高于未数据增强方法(86.5%)、Cutout方法(87.2%)、Random Erasing方法(87.9%)、Kisantal方法(87.0%)和Maeda方法(87.9%)增强数据集训练的目标检测模型的平均精度,能有效提高目标检测模型对高原鼠兔的检测性能。