基于多机制注意力协同融合对比的红外小目标检测方法技术

本申请涉及一种基于多机制注意力协同融合对比的红外小目标检测方法。所述方法包括：提出了一种红外小目标检测网络，该网络包括对输入的红外图像自底层向深层进行特征提取得到多个特征图的多层特征提取结构、将各特征图转换为具有局部对比度的特征图的多尺度局部对比度结构，以及通过弱目标通道注意力机制以及像素注意力机制对底层细节特征和深层语义特征进行融合的多机制注意力协同融合结构，对该网络进行训练时，对输出图像进行概率化处理后再计算损失函数。采用本方法能够更加精准计算损失，解决目标与背景之间不平衡问题，显著提高检测效果。提高检测效果。提高检测效果。

【技术实现步骤摘要】
基于多机制注意力协同融合对比的红外小目标检测方法


[0001]本申请涉及红外图像检测
，特别是涉及一种基于多机制注意力协同融合对比的红外小目标检测方法。

技术介绍

[0002]红外小目标检测是红外搜索与跟踪系统的关键技术，广泛应用于精确制导，早期预警和海上监视等多个领域，与其他成像方法相比，红外成像具有探测距离远、抗干扰能力强，图像清晰等优点，然而，由于探测距离远，被检测目标存在所占像素少，形状、纹理和颜色信息缺失问题。同时，目标通常淹没在复杂背景中，受周围环境变化的影响很大。因此，如何将红外小目标从复杂背景杂波中分离出来仍是一个具有挑战性的课题。
[0003]红外小目标检测主要分为模型驱动的方法和数据驱动的方法两大类。模型驱动的方法在过去几十年中已取得较为深入的发展，提出了几类系统方法，主要包括基于背景抑制的方法、基于人类视觉系统的方法、基于优化的方法等。基于背景抑制的方法假设红外图像是连续变化的，小目标的存在打破了原有的连续性，采用滤波及形态学的方法进行背景抑制以及分离目标。基于人类视觉系统的方法假设目标与背景之间存在较大的局部对比度，可以通过目标与背景的局部差异来检测目标。基于优化的方法采用矩阵的思想，假设目标为稀疏矩阵，背景为低秩矩阵，将目标检测转化为分离低秩矩阵和稀疏矩阵的优化问题。然而，这些传统模型驱动的方法专注目标的物理特性，各类方法采用不同假设，严重依赖于先验知识和人工设置的功能，对真实场景的特征发生变化时难以处理，当真实场景未到达检测条件时，检测性能将会大大下降。尽管新的算法层出不穷，但仍存在检测精度低、受环境影响大、鲁棒性差等问题。不同与模型驱动的方法，基于数据驱动的方法由于红外小目标公开数据集的缺少直到近年来才得到一定的发展，并取得了优于模型驱动方法的效果。但大多数方法还是在通用目标检测算法基础上进行微调，而忽视了红外小目标固有物理特征，而且红外小目标所占像素通常比一般目标小的多，直接应用这些方法而不结合红外小目标物理特征进行检测容易导致深层小目标的丢失。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高小目标检测精准度的基于多机制注意力协同融合对比的红外小目标检测方法。
[0005]一种基于多机制注意力协同融合对比的红外小目标检测方法，所述方法包括：
[0006]获取红外图像训练集，所述红外图像训练集中包括多张包含小目标的红外训练图像；
[0007]将各所述红外训练图像输入红外小目标检测网络中，所述红外小目标检测网络包括多层特征提取结构、多尺度局部对比度结构以及多机制注意力协同融合结构，其中，所述多层特征提取结构对输入的图像自底层向深层进行特征提取得到多个特征图，所述多尺度局部对比度结构将各所述特征图转换为具有局部对比度的特征图，所述多机制注意力协同
融合结构通过弱目标通道注意力机制以及像素注意力机制对底层细节特征和深层语义特征进行增强后融合，以得到输出图像；
[0008]对所述输出图像进行概率化处理得到概率化输出图像，根据所述概率化输出图像构建损失函数；
[0009]根据所述损失函数对所述红外小目标检测网络进行训练，得到训练好的红外小目标检测网络；
[0010]获取待检测的红外图像，将所述红外图像输入训练好的红外小目标检测网络，对所述红外图像中的小目标进行检测，并预测小目标的形状以及所在位置。
[0011]在其中一实施例中，所述多层特征提取结构采用改进的ResNet
‑
20网络；
[0012]所述多层特征提取结构包括三层特征提取单元，分别输出尺寸均不相同的底层特征图、中层特征图以及高层特征图。
[0013]在其中一实施例中，所述多尺度局部对比度结构包括三个尺寸不同的局部对比度单元，分别对应处理所述底层特征图、中层特征图以及高层特征图以对应得到底层局部对比特征图、中层局部对比特征图以及高层局部对比特征图。
[0014]在其中一实施例中，所述多机制注意力协同融合结构包括第一多机制融合单元以及第二多机制融合单元；
[0015]所述高层局部对比特征图以及中层局部对比特征图输入至所述第一多机制融合单元进行融合，输出中间融合特征图；
[0016]所述中间融合特征图以及底层局部对比特征图输入至所述第二多机制融合单元将进行融合，输出融合特征图。
[0017]在其中一实施例中，在所述第一多机制融合单元以及第二多机制融合单元中，由所述弱目标通道注意力机制对高层局部对比特征图以及中间融合特征图进行处理，由所述像素注意力机制对所述中层局部对比特征图以及底层局部对比特征图进行处理。
[0018]在其中一实施例中，在所述第一多机制融合单元以及第二多机制融合单元中，采用以下公式对输入特征进行处理：
[0019]F(x,y)＝y+(x
·
σ(C1D(τ(σ(x)))))
·
σ(β(PWConv2(δ(β(PWConv1(γ(y)))))))
[0020]在上式中，x表示高层局部对比特征图或中间融合特征图，y表示中层局部对比特征图或底层局部对比特征图，σ表示Sigmoid函数，τ表示全局最大池化，C1D表示1D卷积，β表示批归一化，PWConv表示Piont
‑
Wise卷积，δ表示ReLU函数，γ表示全局平均池化。
[0021]在其中一实施例中，所述红外小目标检测网络还包括亚像素卷积上采样结构，所述亚像素卷积上采样结构包括第一上采样单元以及第二上采样单元；
[0022]所述高层局部对比特征图通过所述第一上采样单元进行上采样后再输入所述第一多机制融合单元；
[0023]所述中间融合特征图通过所述第二上采样单元进行上采样后再输入所述第二多机制融合单元。
[0024]在其中一实施例中，根据所述损失函数对所述红外小目标检测网络进行训练，得到训练好的红外小目标检测网络包括：
[0025]对所述损失函数进行梯度计算，根据计算结果方向修正所述红外小目标检测网络的参数，直至收敛，得到所述训练好的红外小目标检测网络。
[0026]一种基于多机制注意力协同融合对比的红外小目标检测装置，所述装置包括：
[0027]训练集获取模块，用于获取红外图像训练集，所述红外图像训练集中包括多张包含小目标的红外训练图像；
[0028]特征融合模块，用于将各所述红外训练图像输入红外小目标检测网络中，所述红外小目标检测网络包括多层特征提取结构、多尺度局部对比度结构以及多机制注意力协同融合结构，其中，所述多层特征提取结构对输入的图像自底层向深层进行特征提取得到多个特征图，所述多尺度局部对比度结构将各所述特征图转换为具有局部对比度的特征图，所述多机制注意力协同融合结构通过弱目标通道注意力机制以及像素注意力机制对底层细节特征和深层语义特征进行增强后融合，以得到输出图像；
[0029]损失函数构建模块，用于对所述输出图像进行概率化处理得到概率化输出图像，根据所述概率化输出图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多机制注意力协同融合对比的红外小目标检测方法，其特征在于，所述方法包括：获取红外图像训练集，所述红外图像训练集中包括多张包含小目标的红外训练图像；将各所述红外训练图像输入红外小目标检测网络中，所述红外小目标检测网络包括多层特征提取结构、多尺度局部对比度结构以及多机制注意力协同融合结构，其中，所述多层特征提取结构对输入的图像自底层向深层进行特征提取得到多个特征图，所述多尺度局部对比度结构将各所述特征图转换为具有局部对比度的特征图，所述多机制注意力协同融合结构通过弱目标通道注意力机制以及像素注意力机制对底层细节特征和深层语义特征进行增强后融合，以得到输出图像；对所述输出图像进行概率化处理得到概率化输出图像，根据所述概率化输出图像构建损失函数；根据所述损失函数对所述红外小目标检测网络进行训练，得到训练好的红外小目标检测网络；获取待检测的红外图像，将所述红外图像输入训练好的红外小目标检测网络，对所述红外图像中的小目标进行检测，并预测小目标的形状以及所在位置。2.根据权利要求1所述的红外小目标检测方法，其特征在于，所述多层特征提取结构采用改进的ResNet
‑
20网络；所述多层特征提取结构包括三层特征提取单元，分别输出尺寸均不相同的底层特征图、中层特征图以及高层特征图。3.根据权利要求2所述的红外小目标检测方法，其特征在于，所述多尺度局部对比度结构包括三个尺寸不同的局部对比度单元，分别对应处理所述底层特征图、中层特征图以及高层特征图以得到底层局部对比特征图、中层局部对比特征图以及高层局部对比特征图。4.根据权利要求3所述的红外小目标检测方法，其特征在于，所述多机制注意力协同融合结构包括第一多机制融合单元以及第二多机制融合单元；所述高层局部对比特征图以及中层局部对比特征图输入至所述第一多机制融合单元进行融合，输出中间融合特征图；所述中间...

【专利技术属性】
技术研发人员：张焱，张毅，石志广，杨卫平，年炳坤，张景华，张宇，刘荻，凌峰，师晓冉，沈奇，
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：