【技术实现步骤摘要】
一种基于学习神经网络的伪装目标检测方法及系统
[0001]本专利技术属于伪装目标检测领域，具体涉及一种基于学习神经网络的伪装目标检测方法及系统。
技术介绍
[0002]伪装目标识别是许多应用的关键技术，包括计算机视觉领域(可用于搜索和救援工作，或寻找稀有物种)、医学图像分析(如息肉分割和肺炎分割)、农业领域(如蝗虫入侵监控)和艺术领域(用于真实感图像融合或艺术消遣)。一般来说，伪装目标识别仍然是一个具有挑战性的问题，主要原因有两点，一是伪装物体与其背景之间具有高度相似性，伪装目标表征难以提取；二是伪装目标的上下文细节信息难以有效增强。自然界中有很多生物已经进化到与周围环境相混淆，甚至更难被检测。
[0003]在伪装目标检测中，由于环境与目标的高相似性，导致提取得到的目标表征并不精确，并且上下文的细节信息没有被深度挖掘出来，并且伪装目标的检测准确性也高度依赖于阈值，现有技术中目标检测方法并不能达到良好的性能，如何选择出合适的阈值本身也是一个困难的问题。因此，伪装目标识别研究具有十分重要的意义，近年来引起了广泛的关注。<...
【技术保护点】
【技术特征摘要】
1.一种基于学习神经网络的伪装目标检测方法，其特征在于，包括：采集检测图像输入至预先训练好的目标搜索模型，获得低级到高级依次设置的多层伪装目标表征；由各层伪装目标表征中提取伪装表征分片，并输入至预先训练好的目标识别模型获得相应等级的多个伪装识别特征；将各伪装识别特征进行卷积获得伪装识别层级图像，将各伪装识别层级图像进行叠加获得伪装识别图像；所述目标搜索模型和目标识别模型的训练过程包括：采集包含伪装目标的训练图像，获取训练数据集；将通过训练数据集对目标搜索模型和目标识别模型进行训练，计算训练过程中伪装识别的结构化损失值S，根据结构化损失值S迭代调整目标搜索模型和目标识别模型的参数，获得设定要求的目标搜索模型和目标识别模型。2.根据权利要求1所述的一种基于学习神经网络的伪装目标检测方法，其特征在于，所述采集检测图像输入至预先训练好的目标搜索模型，获得低级到高级依次设置的多层伪装目标表征的方法包括：将检测图像输入至目标搜索模型中的Res2Net50残差网络，输出低级到高级依次设置的四层伪装表征f；通过感觉野网络对各层伪装表征f的局部细节信息放大，分别获得伪装目标表征fr2、伪装目标表征fr3、伪装目标表征fr4和伪装目标表征fr5。3.根据权利要求2所述的一种基于学习神经网络的伪装目标检测方法，其特征在于，由各层伪装目标表征中提取伪装表征分片的方法包括：提取伪装目标表征fr5的四分片作为伪装表征分片fr
′5；提取伪装目标表征fr4的二分片作为伪装表征分片fr
′4；提取伪装目标表征fr3的整体作为伪装表征分片fr
′3；提取伪装目标表征fr2的整体作为伪装表征分片fr
′2。4.根据权利要求3所述的一种基于学习神经网络的伪装目标检测方法，其特征在于，伪装表征分片输入至预先训练好的目标识别模型获得相应等级的多个伪装识别特征的方法包括：按照由低级到高级的顺序将伪装表征分片fr
′5、伪装表征分片fr
′4、伪装表征分片fr
′3和伪装表征分片fr
′2依次输入至目标识别模型；对最低级的伪装表征分片fr
′5进行小波注意力变换提取伪装识别特征r5；将下一级伪装表征分片rf
n
和上一级提取的伪装识别特征r
n+1
结合后，通过小波注意力变换依次获得伪装识别特征r
n
。5.根据权利要求4所述的一种基于学习神经网络的伪装目标检测方法，其特征在于，将下一级伪装表征分片rf
n
和上一级提取的伪装识别特征r
n+1
结合后，通过小波注意力变换依次获得伪装识别特征的方法包括：将下一级伪装表征分片rf
n
和上一级提取的伪装识别特征r
n+1
进行结合后进行卷积，获得低频分量LL、高频分量LH、高频分量HL和高频分量HH；由所述低频分量LL捕获伪装目标的伪装分割信息和轮廓信息；通过注意力机制AM和含有实例归一化残差块ResIN对低频分量LL进行加强，叠加伪装分割信息和轮廓信息，获得低
频分量伪装特征r
LL
；将高频分量LH、高频分量HL和高频分量HH分别通过归一化残差块ResB和注意力机制AM进行增强，获得高频分量伪装特征r
LH
、高频分量伪装特征r
HL
和高频分量伪装特征r
HH
；将低频分量伪装特征r
LL
、高频分量伪装特征r
LH
、高频分量伪装特征r
HL
和高频分量伪装特...
【专利技术属性】
技术研发人员：邓丽珍，何家为，朱虎，刘建辉，程钊，
申请(专利权)人：南京邮电大学，
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。