基于双向注意力聚合机制的红外小目标检测方法技术

本发明专利技术公开了一种基于双向注意力聚合机制的红外小目标检测方法，主要解决现有方法检测准确率较低的问题，实现步骤为：构建训练样本集和测试样本集；构建基于双向注意力聚合机制的目标检测网络模型：包括并行排布的第一分支和第二分支；第一分支包括顺次连接的Stem块、第一和第二残差块、第一转置卷积层、第一双向注意力聚合块、第二转置卷积层、第二双向注意力聚合块、head网络；第二分支包括顺次连接的三个泰勒中心差分残差块；双向注意力聚合块包括多个瓶颈结构、多个可变性卷积层和多个非线性激活层；泰勒中心差分残差块包括多个卷积层和多个非线性激活层；对目标检测网络模型进行迭代训练。本发明专利技术能够提高红外小目标检测的准确率。准确率。准确率。

【技术实现步骤摘要】
基于双向注意力聚合机制的红外小目标检测方法


[0001]本专利技术属于数字图像处理
，涉及一种红外图像中小目标检测的方法，具体涉及一种基于双向注意力聚合机制的红外小目标检测方法，可用于海上救援。

技术介绍

[0002]红外小目标检测是利用计算机技术从红外图像中检测出目标的技术。红外小目标检测具有广泛的应用，例如交通管理和海上救援。与一般的目标检测相比，红外小目标具有以下特点：红外图像背景中存在大量噪声和杂波，目标容易淹没在背景中，导致对比度低，信噪比低；由于相机到物体的距离较长，红外目标在图像中通常只占据大约一到十个像素；根据不同的目标类型，在不同的场景和情况下，目标的形状和大小会有所不同。为了检测红外小目标，研究人员提出了几种基于图像处理和机器学习的方法，包括基于滤波、基于人类视觉系统和基于低秩表示的方法。然而，这些传统方法有一些局限性：不能抑制复杂的背景噪声，导致检测错误率高，性能不稳定。
[0003]随着深度学习在许多领域的成功，研究人员将其应用于红外小目标检测领域，取得了有效的成果。例如，北京环境特性研究所在其申请的专利文本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双向注意力聚合机制的红外小目标检测方法，其特征在于，包括以下步骤：(1)获取训练样本集和测试样本集：获取包含不同目标的K幅大小为H
×
H的红外图像，并采用Sobel算子每幅红外图像进行边缘检测，然后对每幅红外图像及其对应的红外边缘图像中的目标进行标注，再将M幅红外图像及其对应的红外边缘图像，以及每幅图像的标签组成训练样本集R1，将剩余的K
‑
M幅红外图像及其对应的红外边缘图像，以及每幅图像的标签组成测试样本集E1，其中K≥1000，H≥256，(2)构建基于双向注意力聚合机制的目标检测网络模型O：构建基于双向注意力聚合机制且包括并行排布的第一分支和第二分支的目标检测网络模型O；第一分支包括顺次连接的Stem块、第一和第二残差块、第一转置卷积层、第一双向注意力聚合块、第二转置卷积层、第二双向注意力聚合块、head网络；第二分支包括顺次连接的三个泰勒中心差分残差块；其中，Stem块包括池化层和多个卷积层；第一残差块包括非线性激活层和多个卷积层；第二残差块包括非线性激活层和多个卷积层；双向注意力聚合块包括多个瓶颈结构、多个可变性卷积层和多个非线性激活层；head网络包括多个卷积层；泰勒中心差分残差块包括多个卷积层和多个非线性激活层；(3)对目标检测网络模型O进行迭代训练：(3a)初始化迭代次数为s，最大迭代次数为Q，Q≥10000，第s次迭代的目标检测网络模型为O
s
，并令s＝0，O
s
＝O；(3b)将从训练样本集R1中随机选取l个训练样本作为目标检测网络模型O的输入，第一分支、第二分支分别对l个红外图像样本、l个红外边缘图像样本进行处理，得到l个训练样本的红外小目标检测结果；(3c)对基于双向注意力聚合机制的网络模型进行参数更新，得到本次迭代的网络模型；(3d)判断s≥S是否成立，若是，得到训练好的目标检测网络模型O*，否则，令s＝s+1，并执行步骤(3b)；(4)获取红外图像目标检测结果：将测试样本集E作为训练好的目标检测网络模型O*的输入进行前向传播，得到所有测试样本对应的红外小目标检测结果。2.根据权利要求1所述的基于双向注意力聚合机制的红外小目标检测方法，其特征在于，步骤(2)中所述的基于双向注意力聚合机制的网络模型O，其中：第一分支：Stem块中包括顺次连接的第一卷积层、第二卷积层、第三卷积层、池化层；第一残差块中包括顺次连接的第四卷积层、第一非线性激活层、第五卷积层；第二残差块中包括顺次连接的第六卷积层、第二非线性激活层、第七卷积层；双向注意力聚合块包括并行连接的第三分支、第四分支、第五分支，其中，第三分支包括顺次连接的第一瓶颈结构、第一可变形卷积层、第三非线性激活层，第四分支包括瓶颈结构，第五分支包括第二瓶颈结构、第二可变形卷积层、第四非线性激活层，其中，瓶颈结构包括多个卷积层，head网络包括并行排布的第六分支、第七分支、第八分支，第六分支包括顺次连接的第八卷积层、第九卷积层，第七分支包括顺次连接的第十卷积层、第十一卷积层，第八分支包括顺次连接的第十二卷
积层、第十三卷积层，具体参数为：第一卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层的卷积核大小为3*3，步长为2，第二卷积层、第三卷积层、第十卷积层的卷积核大小为3*3，步长为1，第八卷积层的卷积核大小为1*1，第十二卷积层的卷积核大小为5*5，第九卷积层、第十一卷积层、第十三卷积层均为空洞卷积，卷积核大小均为3*3，膨胀率分别为1、3、5，第一转置卷积层、第二转置卷积层的卷积核大小为3*3，步长为2，池化层采用最大池化，第一非线性激活层、第二非线性激活层使用ReLU函数实现，第三非线性激活层、第四非线性激活层使用Sigmoid函...

【专利技术属性】
技术研发人员：张铭津，彭晓琪，张睿，柏海琛，郭杰，李云松，高新波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：