【技术实现步骤摘要】
一种基于对未知目标注意力的水上障碍物检测系统及方法
[0001]本专利技术涉及本专利技术涉及机器视觉中的目标检测领域，尤其是涉及一种基于对未知目标注意力的水上障碍物检测系统及方法。
技术介绍
[0002]近些年来，由于水上场景中工作环境较为恶劣且载人设备成本较高等问题，设计可靠的水上无人设备成为研究的热点，水上障碍物检测作为实现水上无人驾驶所需要的的核心技术之一，得到了广泛而深入的研究，现有的大部分水上障碍物检测方法主要集中在全监督学习上，即使用足够数量的图像数据驱动网络进行效率低的机械学习，然而，现有的可提供给陆上环境的数据集资源已经非常丰富且完善，基本包含了各种情况下的各类目标图像，相比于陆上环境，在水上领域，由于现有的水上数据集数量远远不够，而在水上获取足够大的数据集因为海上环境复杂、采集难度和设备成本较高，相较于陆地上的数据采集需要更大的人力财力成本，技术人员常常因为不能寻找到合适的数据集而无法得到较为理想的实验结果—这大大限制了这一领域的发展，同时，相较于陆地环境，水上可能存在的障碍物较为复杂且出现较少、较难采集，...
【技术保护点】
【技术特征摘要】
1.一种基于对未知目标注意力的水上障碍物检测系统，其特征在于，该系统包括：特征提取模块：用以对输入的训练图像进行特征提取并生成对应的特征图；候选区域采集模块：用以从输入的特征图中选取具有目标存在可能性的候选区域；特征池化模块：用以将各候选区域的输入特征转化为固定长度的特征向量；加权模块：用以对特征池化模块得到的特征向量进行加权处理；未知类聚类及识别模块：用以对加权后的特征向量进行聚类，进而识别未知类；未知注意力权重生成模块：用以生成权重注意力矩阵对加权模块进行权值更新；分类器模块：用以对未知类聚类及识别模块输入的特征向量进行分类，获取图像中的所有对象对应的位置方框和类别。2.根据权利要求1所述的一种基于对未知目标注意力的水上障碍物检测系统，其特征在于，所述的未知类为已有的对网络进行训练的图像数据中所没有的类别，即没有输入检测神经网络模型的障碍物类别。3.一种应用如权利要求1
‑
2任一项所述的基于对未知目标注意力的水上障碍物检测系统的检测方法，其特征在于，包括以下步骤：步骤1：运用数据增强方法获取水上图像，得到有关水上障碍物图片的数据集，并建立检测神经网络模型；步骤2：基于Faster
‑
RCNN方法选取并训练候选区域采集模块的候选区域采集网络，将数据集的图片数据输入特征提取骨干网络后提取图片的特征图；步骤3：通过候选区域采集模块的候选区域采集网络从提取到的特征图中生成K个具有障碍物存在可能性的候选区域；步骤4：通过特征池化模块将K个候选区域的输入特征分别转化为固定长度的特征向量，并将K个特征向量输送至加权模块和未知注意力权重生成模块；步骤5：在加权模块中对特征向量进行加权处理，与初始化为1的注意力权重矩阵相乘；步骤6：将加权后的特征向量输入未知类聚类及识别模块，采用聚类损失函数对特征向量进行聚类，强制降低类内差并增大类间差，使不同类的特征向量分离以识别检测神经网络模型未学习的未知类；步骤7：在每完成设定的迭代次数I后，未知类聚类及识别模块更新并输出未知类对应的原型向量，并将其传输至未知注意力权重生成模块；步骤8：未知注意力权重生成模块通过距离函数计算特征池化模块输出的K个特征向量与当前未知类对应的原型向量之间的距离，并通过未知注意力权重生成公式得到K个权重系数，所述的K个权重系数生成注意力权重矩阵传输至加权模块进行权值更新；步骤9：对检测神经网络模型进行训练，将未知类聚类及识别模块得到的分离后的已知类和未知类的特征向量输入到分类器模块的分类器模型进行分类，根据损失函数计算误差并将误差反向传播至加权模块，进行权值更新，并重新计算误差，迭代直到输出误差小于设定值；步骤10：检测神经网络模型训练完成后，进行障碍物检测并输出障碍物检测结果。4.根据权利要求3所述的一种检测方法，其特征在于，所述的步骤1中，数据增强方法包括图片去雾、去雨、图片清晰度增强、图片背景前景融合以及生成对抗网络生成虚拟图像，以获得丰富的水上图像数据。
5.根据权利要求3所述的一种检测方法，其特征在于，所述的步骤6中，聚类损失函数在常规损失函数上叠加对比聚类函数，最小化损失函数以确保未知类特征向量的分离，强制降低类内差，...
【专利技术属性】
技术研发人员：张卫东，任相璇，林斌，谢威，何星，方兴其，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。