注意力引导的多特征融合伪装目标检测方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及计算机视觉领域，公开了一种注意力引导的多特征融合伪装目标检测方法、装置、设备及介质，本发明专利技术根据在预测网络中，以BASNet编码

【技术实现步骤摘要】
注意力引导的多特征融合伪装目标检测方法、装置、设备及介质


[0001]本申请涉及计算机视觉领域，特别是涉及一种注意力引导的多特征融合伪装目标检测方法、装置、设备及介质。

技术介绍

[0002]目前对于伪装目标检测的方法相对较少，传统手工特征的方法主要从强度、颜色特征、运动特征、纹理特征或多特征组合等方面进行设计。强度、颜色特征对于因纹理相似而产生的伪装具有比较好的效果；运动特征对于长时间静止的伪装物体效果较差；当物体的颜色与周围环境相似时，纹理特征可以作为重要的依据；多种特征组合可以弥补单一特征带来的不足。当深度学习在目标检测领域取得非常好的效果后，研究者们开始利用深度学习来进行伪装目标检测，能够利用深度学习相关技术对大数据进行训练，对伪装目标进行分割。Le等人提出了一种通用的端到端网络，它利用分类和分割来对伪装目标分割，该网络具有用于分类的分支，以预测图像中包含伪装对象的概率，以提高分割精度。Ren等人提出使用构建多个纹理感知细化模块，学习深度卷积神经网络中的纹理感知特征，以放大伪装对象与背景之间细微的纹理差异，用于伪装对象的检测。Yan等人通过镜像改变同一场景的方法，提出了一个使用镜像流来提升伪装目标分割精度的框架，该框架由两个流组成，主流用于分割原始图像，镜像流用在翻转图像上。Fan等人提出一个新的框架SINet，在伪装目标检测上取得比较好的效果。因为手工设计特征使用范围存在较大的局限性，泛化能力较差，而深度学习的方法能够在大规模数据集上使用，对大量数据自动学习，而且不再需要像传统目标检测算法手动设计特征，效果较好。
[0003]因此，如何解决伪装目标与周围环境“相融”导致边缘特征不明显成为了一个亟待解决的技术问题。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于提供了一种注意力引导的多特征融合伪装目标检测方法、装置、设备及介质，旨在解决伪装目标与周围环境“相融”导致边缘特征不明显的技术问题。
[0006]为实现上述目的，本专利技术提供了一种注意力引导的多特征融合伪装目标检测方法，所述方法包括：
[0007]在预测网络中，以BASNet编码
‑
解码网络为基础，通过基础残差网络对目标伪装图像进行特征提取以获得特征图；
[0008]采用上采样和下采样的方法将所述特征图进行尺度统一；
[0009]进行通道拼接特征融合并在通道融合之后引入CBAM注意力模块对所述特征图中的特征进行特征选择；
[0010]在注意力模块后添加感受野模块，并将所述感受野模块输出的特征图输入至解码网络进行解码，得到粗略图；
[0011]将所述粗略图输入至优化网络，采用像素点相加的特征融合方法获取最终的伪装目标检测结果。
[0012]可选地，所述采用上采样和下采样的方法将所述特征图进行尺度统一的步骤，包括：
[0013]从预测网络中建立4个通道拼接多特征融合结构，分别以stage2、3、4和5作为中间stage；
[0014]所述中间stage的上下两个stage的特征图分别采用2倍下采样和2倍上采样的方法将所述特征图进行尺度统一。
[0015]可选地，所述进行通道拼接特征融合并在通道融合之后引入CBAM注意力模块对所述特征图中的特征进行特征选择的步骤，包括：
[0016]进行通道拼接特征融合；
[0017]引入CBAM注意力模块在通道注意力和空间注意力两方面提高特征表达的效果并对所述特征图中的特征进行特征选择。
[0018]可选地，所述在注意力模块后添加感受野模块，并将所述感受野模块输出的特征图输入至解码网络进行解码，得到粗略图的步骤，包括：
[0019]添加感受野模块将所述特征图输入至所述感受野模块中；
[0020]所述感受野模块中每个分支采用1*1的卷积核对所述特征图进行卷积操作，以获得粗略图。
[0021]可选地，在所述感受野模块中每个分支采用1*1的卷积核对所述特征图进行卷积操作，以获得粗略图的步骤，包括：
[0022]所述感受野模块采用5个分支，在将所述感受野模块中每个分支均采用1*1的卷积核进行操作，其中左边3个分支特征图经过卷积操作和空洞卷积操作后与第4个分支进行通道拼接融合，然后再经过一个1*1卷积核将通道数降至与第5个分支通道数相同，最后将该特征图与第5个分支的特征图输入ReLU函数以增大感受野。
[0023]可选地，所述将所述粗略图输入至优化网络，采用像素点相加的特征融合方法获取最终的伪装目标检测结果的步骤，包括：
[0024]将所述粗略图输入至优化网络；
[0025]采用像素点相加多特征融合方法对所述优化网络进行优化；
[0026]在进行优化之后获取最终的伪装目标检测结果。
[0027]可选地，所述采用像素点相加多特征融合方法对所述优化网络进行优化的步骤，包括：
[0028]采用像素点相加多特征融合方法中两种像素点相加多特征融合的结构对所述优化网络进行优化，其中所述A结构的像素点相加多特征融合方法为：Conv的特征图与stage1和stage2的特征图进行像素点相加多特征融合，其中Conv的特征图不进行下采样操作，stage2特征图进行2倍上采样操作；
[0029]所述B结构的像素点相加多特征融合方法为：分别以stage2和stage3作为中间stage，中间stage的上下两个stage的特征图分别采用2倍下采样和2倍上采样的操作然后
进行像素点相加特征融合。
[0030]此外，为实现上述目的，本专利技术还提出一种注意力引导的多特征融合伪装目标检测装置，所述装置包括：
[0031]特征获取模块，用于在预测网络中，以BASNet编码
‑
解码网络为基础，通过基础残差网络对目标伪装图像进行特征提取以获得特征图；
[0032]尺度统一模块，用于采用上采样和下采样的方法将所述特征图进行尺度统一；
[0033]特征选择模块，用于进行通道拼接特征融合并在通道融合之后引入CBAM注意力模块对所述特征图中的特征进行特征选择；
[0034]预测网络解码模块，用于在注意力模块后添加感受野模块，并将所述感受野模块输出的特征图输入至解码网络进行解码，得到粗略图；
[0035]结果获取模块，用于将所述粗略图输入至优化网络，采用像素点相加的特征融合方法获取最终的伪装目标检测结果。
[0036]此外，为实现上述目的，本专利技术还提出一种计算机设备，所述计算机设备包括：存储器，处理器以及存储在所述存储器上并可在所述处理器上运行的注意力引导的多特征融合伪装目标检测程序，所述注意力引导的多特征融合伪装目标检测程序配置为实现如上文所述的注意力引导的多特征融合伪装目标检测方法。
[0037]此外，为实现上述目的，本专利技术还提出一种介质，所述介质上存储有注意力引导的多特征融合伪装目标检测程序，所述注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种注意力引导的多特征融合伪装目标检测方法，其特征在于，所述方法包括：在预测网络中，以BASNet编码
‑
解码网络为基础，通过基础残差网络对目标伪装图像进行特征提取以获得特征图；采用上采样和下采样的方法将所述特征图进行尺度统一；进行通道拼接特征融合并在通道融合之后引入CBAM注意力模块对所述特征图中的特征进行特征选择；在注意力模块后添加感受野模块，并将所述感受野模块输出的特征图输入至解码网络进行解码，得到粗略图；将所述粗略图输入至优化网络，采用像素点相加的特征融合方法获取最终的伪装目标检测结果。2.如权利要求1所述的方法，其特征在于，所述采用上采样和下采样的方法将所述特征图进行尺度统一的步骤，包括：从预测网络中建立4个通道拼接多特征融合结构，分别以stage2、3、4和5作为中间stage；所述中间stage的上下两个stage的特征图分别采用2倍下采样和2倍上采样的方法将所述特征图进行尺度统一。3.如权利要求1所述的方法，其特征在于，所述进行通道拼接特征融合并在通道融合之后引入CBAM注意力模块对所述特征图中的特征进行特征选择的步骤，包括：进行通道拼接特征融合；引入CBAM注意力模块在通道注意力和空间注意力两方面提高特征表达的效果并对所述特征图中的特征进行特征选择。4.如权利要求1所述的方法，其特征在于，所述在注意力模块后添加感受野模块，并将所述感受野模块输出的特征图输入至解码网络进行解码，得到粗略图的步骤，包括：添加感受野模块将所述特征图输入至所述感受野模块中；所述感受野模块对输入特征图进行多分支卷积核拼接融合后增大感受野。5.如权利要求4所述的方法，其特征在于，所述感受野模块对输入特征图进行多分支卷积核拼接融合后增大感受野的步骤，包括：所述感受野模块采用5个分支，在将所述感受野模块中每个分支均采用1*1的卷积核进行操作，其中左边3个分支特征图经过卷积操作和空洞卷积操作后与第4个分支进行通道拼接融合，然后再经过一个1*1卷积核将通道数降至与第5个分支通道数相同，最后将该特征图与第5个分支的特征图输入ReLU函数以增大感受野。6.如权利要求1所述的方法，其特征在于，所述将所述粗略图输入至优化网络，采用像素点相加的特征融合方法获取最终的伪装目...

【专利技术属性】
技术研发人员：谷学强，陈诗凯，张万鹏，苏炯铭，项凤涛，刘鸿福，张煜，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：