本发明属于数字图像处理领域，特别是涉及一种针对复杂场景下小目标检测，通过添加背景和前景注意力机制，提升目标检测性能。
背景技术：
1、目标检测是指从图像中将感兴趣的目标与背景分割开，从图像中识别和解释有意义的物体实体而提取不同的图像特征的操作。目标检测方法有两个流派：两阶段算法和单阶段算法。但在两种方法中，小目标检测性能的提升速度都跟不上通用目标检测性能的提升速度，从而导致小目标检测成为现代目标检测的性能瓶颈。
2、其中存在三个关键问题需要被解决。首先，小目标存在于广阔的背景区域，而其自身面积尺寸较小，从而使得其特征在经过骨干网络时被削弱和破坏；其次，在前景特征图中，对于处于大中目标旁边的小目标而言，由于大中目标具有更多的特征信息，在分类和回归头中极易压制和干扰小目标的检测；最后，大中目标占据了数据集的绝大部分，相对而言，小目标成为了难例样本。鉴于上述原因，我们不应该用跟大中目标相同的方式来检测小目标。
技术实现思路
1、本发明的目的是针对上述问题，提出一种基于背景和前景注意力机制的小目标检测系统及方法，利用两个特定的注意力机制子模块来处理背景和前景特征图来增强模型检测性能，在小目标检测中大幅提升精度。
2、本发明的技术方案如下：
3、一种基于背景和前景注意力机制的小目标检测系统，其特征在于：包括分割模块、背景注意力模块、前景注意力模块、融合模块，其中：
4、所述分割模块，使用一个3x3的卷积层作为预测网络，通过预测最后一层中每个特征像素作为目标的概率，记录最大的k个位置索引并映射回p3层，在p3层对这些位置的像素以及剩下位置的像素分别遮盖，得到相应的背景特征图和前景特征图；
5、所述背景注意力模块，利用3x3的卷积层学习该3x3窗口内每个位置的贡献度，输出维度为9，将窗口内的每个像素乘以其对应的贡献权重并相加得到新的特征像素，即最后的背景特征图；
6、所述前景注意力子模块，实现对前景特征图中的全局信息的突出强调，首先从横向和纵向方向上计算注意力，然后重复地执行该模块来增强每个像素的表征能力和编码所有像素之间的依赖性；
7、所述融合模块，通过增大背景图的权重让模型更关注背景区域，避免前景中的大量大中目标让模型产生偏置倾向，加强背景中的小目标的检测性能。
8、采用上述基于背景和前景注意力机制的小目标检测系统的方法，其特征在于，包括以下步骤：
9、s1将骨干网络深层中拥有最强语义信息的特征图像素映射回小目标细节最为丰富的底层中，得到分割模块的结果；
10、s2将每层中对应位置遮掩得到背景特征图，剩下的为前景特征图；
11、s3在对应特征图上分别应用特定的注意力子模块；
12、s4赋予不同的权重后融合两个特征图进行分类和回归得到最后的检测结果；
13、s5将训练得到的模型在测试集上进行测试，确定模型算法对小目标的检测性能。
14、本发明将特征图分割为前景和背景特征图，分别施加两个特定的注意力机制子模块并赋予不同的权重后进行融合来检测最后的结果。设计了一个预测网络来预测每个特征像素的目标分数，该目标分数表明了对应特征像素为目标的概率，记录最大的k个分数位置索引，将对应的位映射到前面层中，进行遮掩得到背景特征图和前景特征图。采用两个特定注意力子模块，在背景中应用局部注意力以及在前景中应用全局注意力。最后，重新对特征图进行加权并融合从而实现更高的检测精度。
15、在多个数据集上的实验结果证明了本发明对小目标检测的有效性，可以用于大多数基于cnn的模型中。
1.一种基于背景和前景注意力机制的小目标检测系统，其特征在于：包括分割模块、背景注意力模块、前景注意力模块、融合模块，其中：
2.一种基于背景和前景注意力机制的小目标检测方法，采用权利要求1所述的系统，其特征在于，包括以下步骤：