一种伪装物体识别及语义分割方法技术

本发明专利技术涉及图像数据处理技术领域，具体涉及一种伪装物体识别及语义分割方法，该方法包括：获取待检测区域对应的待检测图像；通过预先训练完成的伪装物体识别网络，对待检测图像进行伪装物体识别，其中，伪装物体识别网络包括：Swin

【技术实现步骤摘要】
一种伪装物体识别及语义分割方法


[0001]本专利技术涉及图像数据处理
，具体涉及一种伪装物体识别及语义分割方法。

技术介绍

[0002]伪装物体识别领域目前是深度学习的一个重点领域。尝试着将不同的方法用于伪装目标检测任务，以求获得好的效果。目前比较著名的模型有SiNET、SiNET V2、RCRNet和SLT
‑
NET，不同的模型会关注于不同的领域，比如说伪装目标检测、伪装语义分割、伪装视频检测、息肉分割、轻量化伪装模型等。
[0003]然而，当采用现有伪装物体识别方式时，经常会存在如下技术问题：
[0004]模型过大，检测速度较慢，无法实现实时检测；
[0005]检测效果的准确度还有提升空间。

技术实现思路

[0006]本专利技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本专利技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0007]为了解决伪装物体识别的准确度较低的技术问题，本专利技术提出了一种伪装物体识别及语义分割方法。
[0008]本专利技术提供了一种伪装物体识别及语义分割方法，该方法包括：
[0009]获取待检测区域对应的待检测图像；
[0010]通过预先训练完成的伪装物体识别网络，对待检测图像进行伪装物体识别，其中，伪装物体识别网络包括：Swin
‑
Transformer、纹理增强模块、邻居连接解码器和群体逆向注意模块，Swin
‑
Transformer是伪装物体识别网络的骨干，群体逆向注意模块采用反向引导和群体引导两种操作进行残差学习，群体逆向注意模块包括预设数量个GRA块，每个GRA块有三个残差学习过程，第一个过程基于候选特征和使用群引导操作的反向引导，以产生提纯特征，第二个过程产生单通道残差引导图，第三个过程基于前两个过程输出优化后的引导图。
[0011]进一步地，所述伪装物体识别网络的训练过程，包括：
[0012]获取伪装物体图像集合和伪装物体图像集合中的每个伪装物体图像对应的伪装物体区域；
[0013]构建伪装物体识别网络；
[0014]将伪装物体图像集合确定为伪装物体识别网络的训练集，将伪装物体图像对应的伪装物体区域确定为伪装物体识别网络的训练标签，对构建的伪装物体识别网络进行训练，得到训练完成的伪装物体识别网络，其中，伪装物体识别网络训练过程的损失函数为：
[0015][0016]其中，损失函数的右边是全局限制和局部限制的加权交叉熵损失和二进制交叉熵损失。
[0017]本专利技术具有如下有益效果：
[0018]本专利技术通过预先训练完成的伪装物体识别网络，对获取的待检测图像进行伪装物体识别，可以实现对待检测图像的伪装物体识别。并且伪装物体识别网络以Swin
‑
Transformer作为骨干，还包括：纹理增强模块、邻居连接解码器和群体逆向注意模块。本专利技术使用Swin
‑
Transformer方法，可以实现使用少量的训练数据轻松收敛到特定任务。引入TEM是为了模拟人类视觉系统中感受野的纹理结构。NCD负责在TEM的协助下找到候选对象。GRA模块再现了动物的识别阶段。使用群体逆向注意模块(Group
‑
Reversal Attention block，GRA)采用反向引导和群体引导两种操作进行残差学习。它由多个GRA块组成，通过不同的特征金字塔逐步优化粗预测。每个GRA块有三个残差学习过程。第一个过程结合候选特征和使用群引导操作的反向引导，然后是残差阶段以产生精细特征。第二个过程产生单通道残余制导。第三个过程结合了精炼的特征和残差指导来产生最终的输出。这有助于通过在多个阶段细化预测来提高性能。因此本专利技术可以实现实时检测，并且提高了伪装物体识别的准确度。
附图说明
[0019]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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0020]图1为根据本专利技术的一种伪装物体识别及语义分割方法的流程图；
[0021]图2为根据本专利技术的伪装物体识别网络的整个架构的示意图。
具体实施方式
[0022]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0023]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0024]本专利技术提供了一种伪装物体识别及语义分割方法，该方法包括以下步骤：
[0025]获取待检测区域对应的待检测图像；
[0026]通过预先训练完成的伪装物体识别网络，对待检测图像进行伪装物体识别，其中，伪装物体识别网络包括：Swin
‑
Transformer、纹理增强模块、邻居连接解码器和群体逆向注意模块，Swin
‑
Transformer是伪装物体识别网络的骨干，群体逆向注意模块采用反向引导和群体引导两种操作进行残差学习，群体逆向注意模块包括预设数量个GRA块，每个GRA块有三个残差学习过程，第一个过程基于候选特征和使用群引导操作的反向引导，以产生精细特征，第二个过程产生单通道残余制导，第三个过程基于精炼的特征和残差指导来产生
最终的输出。
[0027]下面对上述各个步骤进行详细展开：
[0028]参考图1，示出了根据本专利技术的一种伪装物体识别及语义分割方法的一些实施例的流程。该伪装物体识别及语义分割方法，包括以下步骤：
[0029]步骤S1，获取待检测区域对应的待检测图像。
[0030]在一些实施例中，可以获取待检测区域对应的待检测图像。
[0031]其中，待检测区域可以是待进行伪装物体识别的区域。待检测图像可以是待检测区域的表面图像。伪装物体可以是指与背景高度一致肉眼难以分辨出来的物体。例如，伪装物体可以是变色龙、组织的早期病变、身着迷彩服的士兵等。
[0032]作为示例，可以通过相机，获取待检测区域对应的待检测图像。
[0033]步骤S2，通过预先训练完成的伪装物体识别网络，对待检测图像进行伪装物体识别。
[0034]在一些实施例中，可以通过预先训练完成的伪装物体识别网络，对待检测图像进行伪装物体识别。
[0035]其中，伪装物体识别网络可以用于识别伪装物体。伪装物体识别网络也可以称伪装物体识别模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种伪装物体识别及语义分割方法，其特征在于，包括以下步骤：获取待检测区域对应的待检测图像；通过预先训练完成的伪装物体识别网络，对待检测图像进行伪装物体识别，其中，伪装物体识别网络包括：Swin
‑
Transformer、纹理增强模块、邻居连接解码器和群体逆向注意模块，Swin
‑
Transformer是伪装物体识别网络的骨干，群体逆向注意模块采用反向引导和群体引导两种操作进行残差学习，群体逆向注意模块包括预设数量个GRA块，每个GRA块有三个残差学习过程，第一个过程基于候选特征和使用群引导操作的反向引导，以产生提纯特征，第二个过...

【专利技术属性】
技术研发人员：刘红霞，刘星宇，王祥泽，
申请(专利权)人：河南大学，
类型：发明
国别省市：