一种面向单通道图像的高性能深度学习模型及训练方法技术

一种面向单通道图像的高性能深度学习模型及训练方法，该模型包括低维多尺度感受野模块和多个高维多尺度感受野模块；该训练方法包括：根据所述深度学习模型结构，构建基础检测模型和优化检测模型；获取单通道图像数据集，并通过单通道图像数据集对基础检测模型进行训练；将单通道图像分别输入至训练好的基础检测模型和优化检测模型，根据预测结果确定有效标签集合；根据真值标签对有效标签集合进行校正，筛选校正标签集；根据校正标签集、真值标签和单通道图像对优化检测模型进行训练，得到最终目标检测模型；本发明专利技术通过剔除无效标签、虚警标签与弱标签加速深度学习网络训练速度，并且能够解决各类目标以及目标与背景相似时造成的错检和虚警问题。成的错检和虚警问题。成的错检和虚警问题。

【技术实现步骤摘要】
一种面向单通道图像的高性能深度学习模型及训练方法


[0001]本专利技术涉及图像处理
，更具体的说是涉及一种面向单通道图像的高性能深度学习模型及训练方法。

技术介绍

[0002]图像处理是指利用计算机对图像进行处理、分析和理解，以识别或定位图像中不同目标的技术。随着人工智能软硬件技术发展，深度学习算法在自动驾驶、海事监测等领域发挥着重要作用。
[0003]针对可见光图像设计的通用深度学习目标检测网络在数据质量可靠、运算资源充足的环境下取得了极高的处理性能。然而，将通用深度学习目标检测网络迁移至嵌入式环境下的红外目标检测任务时，面临检测网络参数冗余和红外目标检测困难两个问题。网络参数冗余是由通用目标检测网络过参数化导致的。一方面，红外单通道图像仅包含热辐射强度信息。因此，在进行红外目标检测任务时无需使用过量参数拟合应用场景中并不存在的色彩信息；另一方面，嵌入式环境可用运算资源有限。为保证红外目标检测软件系统的实时性需求，在红外目标检测算法设计时应平衡运算精度与速度。红外目标检测困难是由弱目标导致的。当环境温度与目标温度接近时，红外目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向单通道图像的高性能深度学习模型，其特征在于，包括低维多尺度感受野模块和多个高维多尺度感受野模块；所述低维多尺度感受野模块用于采集单通道图像，并提取多个感受野尺寸下的目标及其邻域特征，对应得到低维特征图；所述低维特征图依次通过多个所述高维多尺度感受野模块进行多个尺寸的深度特征提取，得到深度特征图。2.根据权利要求1所述的一种面向单通道图像的高性能深度学习模型，其特征在于，还包括特征融合模块，所述特征融合模块用于对预设尺寸的深度特征图进行重采样后与最小尺寸的深度特征图拼接。3.根据权利要求1所述的一种面向单通道图像的高性能深度学习模型，其特征在于，根据以下公式构建所述低维多尺度感受野模块：据以下公式构建所述低维多尺度感受野模块：其中，I表示输入单通道图像，为输出通道数低于输入通道数且滤波核尺寸为1的卷积运算，σ(
·
)为sigmoid函数，为输出通道数与输入通道数相等且滤波核尺寸为1的卷积运算,GAVPool()为全局池化操作，G
q
(I)为应用组卷积或标准卷积对输入单通道图像进行第q次特征感受野扩增的轻量化特征提取运算模块,低维特征感受野扩增次数q＝{0，1，2，3}，为沿特征通道对应维度进行的拼接操作。4.根据权利要求1或3所述的一种面向单通道图像的高性能深度学习模型，其特征在于，根据以下公式构建高维多尺度感受野模块：于，根据以下公式构建高维多尺度感受野模块：其中，+为逐元素加操作，O
p
(x)为应用组卷积对输入特征x进行第p次特征感受野扩增的轻量化特征提取运算模块，高维特征感受野扩增次数p＝{0，1，2}。5.一种面向单通道图像的高性能深度学习模型训练方法，其特征在于，包括以下步骤：构建基础检测模型和优化检测模型；获取单通道图像数据集，并通过所述单通道图像数据集对所述基础检测模型进行训练；其中，所述单通道图像数据集包括单通道图像和对应的真值标签；将所述单通道图像分别输入至所述优化检测模型和训练好的所述基础检测模型，根据预测结果确定有效标签集A合；根据所述真值标签对所述有效标签集A合进行校正，筛选校正标签集D；根据所述校正标签集D、所述真值标签和所述单通道图像对所述优化检测模型进行训练，得到最终目标检测模型。6.根据权利要求1所述的一种面向单通道图像的高性能深度学习模型训练方法，其特征在于，根据预测结果确定有效标签集A合，步骤包括：将所述单通道图像输入至训练好的基础检测模型...

【专利技术属性】
技术研发人员：李波，唐文婷，韦星星，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：