一种基于边缘信息引导的伪装目标检测方法技术

本发明专利技术公开了一种基于边缘信息引导的伪装目标检测方法，包括主干网络、边缘特征提取模块(EFE)、双分支特征增强模块(DBFE)以及上下文特征聚合模块(CFA)。主干网络提取输入伪装图像的多级特征f

【技术实现步骤摘要】
一种基于边缘信息引导的伪装目标检测方法


[0001]本专利技术涉及计算机视觉领域，具体为一种基于边缘信息引导的伪装目标检测方法。

技术介绍

[0002]伪装是自然界生物在长期进化过程中逐渐获得的生存本领，生物通过改变颜色、对比度、形状等手段使得自身与环境高度相似从而避免被捕食者发现。伪装目标检测(Camouflaged Object Detection,COD)旨在检测视觉场景中的伪装目标，并将其与背景分割。近年来，伪装目标检测逐渐引起学者的关注，除了其本身具有的科学研究价值以外,还可应用于计算机视觉，医学图像分割，农业检测等领域。
[0003]早期的伪装目标检测方法通过图像的颜色对比、纹理差异、光流检测等手工提取的特征用于区分前景与背景，但是这些方法只能挖掘低层次的手工特性，因此早期的传统算法很难生成准确的预测图像。近三年基于深度学习的伪装目标检测方法被提出并取得巨大的进展，但是由于伪装目标的特点：弱目标边界、低对比度以及前景背景相似，使得原本像素占比少的边缘特征提取变得更加困难，导致现有的伪装目标检测方法无法准确提取目标的边缘特征，并且由于背景相似/遮挡使得小目标的预测图像丢失部分区域。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术提供了一种基于边缘信息引导的伪装目标检测方法，可以利用目标的边缘信息指导伪装目标的特征表示，并增强小目标的原始特征实现对伪装目标的检测。
[0005]为了解决上述技术问题，本专利技术公开了一种基于边缘信息引导的伪装目标检测方法，包括如下步骤：
[0006]S1、通过主干网络对输入的伪装目标图像进行特征提取，得到多级特征f
i
(i＝1,2,3,4,5)；
[0007]S2、通过边缘特征提取模块(EFE)提取伪装目标的边缘特征f
e
；
[0008]S3、通过双分支特征增强模块(DBFE)将伪装目标的边缘特征f
e
与多级特征f
i
(i＝2,3,4,5)进行融合，并利用双分支结构进行特征增强；
[0009]S4、通过上下文特征聚合模块(CFA)将经过DBFE增强后的特征与上一层CFA输出的特征进行特征融合并进行跨尺度特征交互，得到最终的聚合特征，最后生成所需的伪装目标预测图像。
[0010]作为优选，所述的主干网络为Res2Net
‑
50网络。
[0011]所述步骤S1的Res2Net
‑
50网络提取的多级特征分为(f1,f2,f3,f4,f5)五层特征。其中，f1,f2为低层特征，包含伪装目标大量的细节线索信息，比如轮廓、边缘、纹理和形状空间信息；f3,f4,f5为高层特征，包含伪装目标的高层语义信息。
[0012]作为优选，所述步骤S2的边缘特征提取模块(EFE)能够利用目标的低层特征f2和
高层特征f3、f5对目标边缘进行显式建模，生成所需要的边缘特征f
e
，指导后续伪装目标的特征表示，利用边缘特征f
e
不仅可以生成边缘更清晰的预测图像，还可以有效地消除背景噪声。
[0013]作为优选，所述步骤S3的双分支特征增强模块(DBFE)包含一个全局分支和一个局部分支。其中，全局分支利用全局平均池化提取伪装目标的全局上下文信息强调大目标的全局贡献，局部分支提取丰富的局部低级线索对小目标原始特征进行特征增强，避免小目标原始特征在特征传播过程中被遗漏，在两个分支中使用逐点卷积(Point
‑
wise convolution)沿着通道维度压缩和恢复特征，实现不同尺度通道信息的聚合，最终得到增强后的特征表示f
fuse
。
[0014]作为优选，所述步骤S4的上下文特征聚合模块(CFA)能够将经过DBFE增强后的特征与上一层CFA输出的特征自顶向下逐步聚合。由于CFA使用了不同空洞率的空洞卷积，因此可以得到不同尺度的特征，通过密集连接使低分辨率—高语义信息和高分辨率—低语义信息进行跨尺度特征交互，得到最终的特征表示f
final
，最后得到具有精细边缘和完整区域的预测图像。
[0015]本专利技术具有以下有益效果：
[0016]采用上述技术方案，本专利技术相对于现有技术主要优势有三点：充分提取了伪装目标的边缘特征、增强了小目标的原始特征、实现了低分辨率—高语义信息和高分辨率—低语义信息的特征交互，这些特性提高了对伪装目标的检测能力，拓展了本专利技术的使用场景；本专利技术是在三个基准数据集上训练得到的检测模型，具有较好的鲁棒性和通用性
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1为本专利技术实施例的伪装目标检测网络模型的结构图。
[0019]图2为本专利技术实施例边缘特征提取模块EFE的结构图。
[0020]图3为本专利技术实施例双分支特征增强模块DBFE的结构图。
[0021]图4为本专利技术实施例上下文特征聚合模块CFA的结构图。
[0022]图5为本专利技术实施例的结果对比图(第一列为原图，第二列为真值图，第三列为本方法的预测图)
具体实施方式
[0023]下面结合附图和实施例对本专利技术作进一步说明。
[0024]本专利技术提供了一种基于边缘信息引导的伪装目标检测方法，如图1、图2、图3、图4所示，包括以下步骤：
[0025]S1、通过主干网络对输入的伪装目标图像进行特征提取，得到多级特征f
i
(i＝1,2,3,4,5)。
[0026]具体的，所述的主干网络为Res2Net
‑
50网络。Res2Net
‑
50的主要结构为：输入的特征x被切分为k个特征，第i+1(i＝0,1,2,
…
,k
‑
1)个特征经过3
×
3卷积后以残差连接的方式
融合到第i+2个特征中。Res2Net
‑
50网络可以提取伪装目标的多尺度特征用于检测任务，以提高伪装目标检测的性能。
[0027]进一步的，所述的Res2Net
‑
50网络提取的多级特征分为(f1,f2,f3,f4,f5)五层特征。其中，f1,f2为低层特征，包含伪装目标大量的细节线索信息，比如轮廓、边缘、纹理和形状空间信息；f3,f4,f5为高层特征，包含伪装目标的高层语义信息。
[0028]S2、通过边缘特征提取模块(EFE)提取伪装目标的边缘特征f
e
。
[0029]具体的，所述的边缘特征提取模块(EFE)能够利用目标的低层特征f2和高层特征f3、f5对目标边缘进行显式建模，生成所需要的边缘特征f
e
，指导后续伪装目标的特征表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘信息引导的伪装目标检测方法，其特征在于，包括以下步骤：S1、通过主干网络对输入的伪装目标图像进行特征提取，得到多级特征f
i
(i＝1,2,3,4,5)；S2、通过边缘特征提取模块(EFE)提取伪装目标的边缘特征f
e
；S3、通过双分支特征增强模块(DBFE)将伪装目标的边缘特征f
e
与多级特征f
i
(i＝2,3,4,5)进行融合，并利用双分支结构进行特征增强；S4、通过上下文特征聚合模块(CFA)将经过DBFE增强后的特征与上一层CFA输出的特征进行特征融合并进行跨尺度特征交互，得到最终的聚合特征，最后生成所需的伪装目标预测图像。2.根据权利要求书1所述的一种基于边缘信息引导的伪装目标检测方法，其特征在于，所述的主干网络为Res2Net
‑
50网络。3.根据权利要求书1所述的一种基于边缘信息引导的伪装目标检测方法，其特征在于，所述步骤S1的Res2Net
‑
50网络提取的多级特征分为(f1,f2,f3,f4,f5)五层特征。其中，f1,f2为低层特征，包含伪装目标大量的细节线索信息，比如轮廓、边缘、纹理和形状空间信息；f3,f4,f5为高层特征，包含伪装目标的高层语义信息。4.根据权利要求书1所述的一种基于边缘信息引导的伪装目标检测方法，其特征在于，所述步骤S2的边缘特征提取模块(...

【专利技术属性】
技术研发人员：葛斌，吴涛林，裴佳佳，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：