【技术实现步骤摘要】
红外小目标的检测方法、装置、计算设备及存储介质
[0001]本专利技术实施例涉及红外探测
，特别涉及一种红外小目标的检测方法、装置、计算设备及存储介质。
技术介绍
[0002]红外探测技术具有不受坏境等因素影响的优势，在军事，民生上有着日益广泛的应用。红外小目标检测作为红外图像检测中的重要分支，在目标早期预警，无人机检测等方面有着重要的运用。
[0003]随着深度学习的发展，深度神经网络被应用在红外小目标检测上，并且大大提高了红外小目标的检测准确率。然而，为了应对错综复杂的学习任务，现有的红外小目标检测方法的网络模型往往会被设计的庞大而复杂，那么会导致这些模型的训练和部署都需要消耗大量的计算资源，难以应用在嵌入式设备和移动设备中。
[0004]因此，亟需一种新的红外小目标的检测方法。
技术实现思路
[0005]为了解决现有的红外小目标检测方法的网络模型在训练和部署时，都需要消耗大量的计算资源的问题，本专利技术实施例提供了一种红外小目标的检测方法、装置、计算设备及存储介质。
[00...
【技术保护点】
【技术特征摘要】
1.一种红外小目标的检测方法，其特征在于，包括：获取待检测的红外小目标图像；将所述红外小目标图像输入至预先训练生成的第一检测模型中；其中，所述第一检测模型基于第一神经网络和由第二神经网络训练生成的第二检测模型训练得到，所述第一神经网络和所述第二神经网络均包括特征融合模块、预测模块和由多个子模块串联而成的特征提取模块；所述第二神经网络的每个子模块均包括若干个依次级联的残差网络；所述第一神经网络的每个子模块中残差网络的数量小于所述第二神经网络的每个子模块中残差网络的数量；得到所述红外小目标图像的检测结果。2.根据权利要求1所述的方法，其特征在于，所述第一神经网络中的子模块和所述第二神经网络中的子模块的数量相同；所述第一检测模型的训练方式，包括：获取多个被标注有标签的训练样本；将每一个所述训练样本分别输入至所述第一神经网络和所述第二检测模型中，以利用所述第一神经网络的每一个子模块和第二检测模型的每一个子模块分别对每一个所述训练样本进行特征提取，得到所述第一神经网络和所述第二检测模型中每一个子模块的特征提取结果；将所述第一神经网络中每一个子模块的特征提取结果，输入至所述第一神经网络的特征融合模块中，得到与所述第一神经网络中的每一个子模块一一对应的特征融合图，将所述第二检测模型中每一个子模块的特征提取结果输入至所述第二检测模型的特征融合模块中，得到与所述第二检测模型中的每一个子模块一一对应的特征融合图；将所述第一神经网络和所述第二检测模型中与第一个子模块对应的特征融合图，分别输入至所述第一神经网络和所述第二检测模型的预测模块，得到所述第一神经网络和所述第二检测模型对每一个所述训练样本的预测结果；针对每一个所述训练样本，根据当前训练样本在所述第一神经网络和所述第二检测模型中的每一个特征融合图和所述预测结果，对所述第一神经网络的网络参数进行第一次调整，并且根据所述第一神经网络对当前训练样本的所述预测结果和当前训练样本对应的标签，对所述第一神经网络的网络参数进行第二次调整，直至得到符合预期的第一检测模型。3.根据权利要求2所述的方法，其特征在于，所述第一神经网络和所述第二神经网络的特征融合模块包括多个特征融合子模块；所述第一神经网络和所述第二检测模型中的每一个特征融合图是通过如下方式得到的：获取所述第一神经网络和所述第二检测模型中最深层次的子模块的特征提取结果，以得到最深层次的子模块对应的特征融合图；针对除最深层次的子模块之外的每一个子模块，均将当前子模块的特征提取结果和与当前子模块串联的更深层次的子模块对应的特征融合图，输入至对应的特征融合子模块，以得到除最深层次的子模块之外的每一个子模块对应的特征融合图。4.根据权利要求3所述的方法，其特征在于，在所述得到最深层次的子模块对应的特征融合图之前，还包括：对所述第一神经网络
和所述第二检测模型中最深层次的子模块的特征提取结果分别进行上采样，得到所述第一神经网络和所述第二...
【专利技术属性】
技术研发人员：姚裔仁，张樯，李斌，万耀辉，程宇航，石春雷，
申请(专利权)人：北京环境特性研究所，
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。