一种基于特征提炼的伪装物体检测方法技术

本发明专利技术公开了一种基于特征提炼的伪装物体检测方法，首先获取伪装物体检测数据集，进行数据预处理；构建基于特征提炼的伪装物体检测模型；再通过训练集对构建好的基于特征提炼的伪装物体检测模型训练，对预测结果使用结构损失函数进行监督学习。最后对模型训练结果加以验证。本发明专利技术基于特征提炼的方式来构建伪装物体检测模型，对伪装物体图像的特征进行增强处理以及去除背景噪声，利用结构损失函数对结果进行监督学习，使得预测结果更加准确，具有较强的鲁棒性，从而实现对伪装物体的精确分割，对社会具有重要意义。对社会具有重要意义。对社会具有重要意义。

【技术实现步骤摘要】
一种基于特征提炼的伪装物体检测方法


[0001]本专利技术涉及计算机视觉以及深度学习领域，具体而言是一种基于特征提炼的伪装物体检测方法。
技术背景
[0002]伪装物体检测任务是指识别出嵌入在周围环境中的物体，这些物体往往与周围环境非常相似而能够做到欺骗的效果。伪装物体检测近年来因其具备广泛的应用价值而受到科研人员的广泛关注。而该任务又存在诸多难点：首先，任何物体都可通过一定条件变为伪装物体，而物体大小形状类别都是不一的，这增加了检测难度；其次，伪装物体的边界往往是模糊不清的，并且其本身与周围环境有很高的相似性，这往往就会把模型给欺骗导致检测失败。因此，一种高效且检测准确的伪装物体检测方法就显得尤为重要。

技术实现思路

[0003]针对现有技术中存在的不足，本专利技术提供一种基于特征提炼的伪装物体检测方法。该方法可以准确快速的对伪装物体进行识别，得到分割出伪装物体的图像。本专利技术的技术方案是这样实现的：
[0004]一种基于特征提炼的伪装物体检测方法，包括以下步骤：
[0005]步骤(1)、获取伪装物体检测数据集。
[0006]步骤(2)、数据预处理；
[0007]将伪装物体检测图像通过双线性插值算法裁剪为352
×
352尺寸；
[0008]步骤(3)、构建基于特征提炼的伪装物体检测模型。
[0009]所述的基于深度学习的结直肠息肉图像分割特征提炼的伪装物体检测模型包括一个ResNet50特征提取模块，三个CBR模块和一个特征提炼模块。
[0010]首先，输入图像通过ResNet50特征提取模块获得5个由深浅层到浅深层的特征X1、X2、X3、X4和X5；接着将X1、X2和X3通过CBR模块进行特征增强，从而得到特征Z1、Z2和Z3；然后，使用特征提炼模块对三个深层的特征Z1、Z2、Z3进行特征提炼以去除特征中的背景噪声并且保留对检测有益的信息，最终获得预测结果P。
[0011]步骤(4)、通过训练集对构建好的基于特征提炼的伪装物体检测模型训练，对预测结果使用结构损失函数进行监督学习。
[0012]步骤(5)、对模型训练结果加以验证，将测试集的数据输入到训练好的模型中，然后获取预测结果，与真实结果对比验证是否有效。预测结果和真实结果都是只有0和1的二值化图像，通过相减的方式获取一张图不同的像素点，然后除以整张图总像素数就是MAE指标，该指标越小越好。
[0013]进一步的，步骤(1)具体方法如下：
[0014]伪装物体检测数据集采用现有的COD10K数据集。该数据集包含10000张伪装物体图像，每一张图像都提供了手工标注的像素级别的真值图，其中6000张用于对所提出的模
型进行训练，4000张用于对所提出的模型的鲁棒性进行评判。
[0015]进一步的，所述CBR模块由一个核大小为3x3、输出通道为64的卷积、BN层以及ReLU激活函数组成。
[0016]将ResNet50特征提取模块获得X1，X2和X3特征分别通过一个CBR模块进行特征增强以及特征通道压缩处理，以减少模型的计算量。
[0017]进一步的，所述特征提炼模块由n条分支以及2n个特征融合模块组成，以一种渐进式的自下而上的特征多尺度融合方式进行特征提炼。特征提炼模块的整体结构如下：
[0018]对于第i路操作，首先特征和特征通过特征融合模块进行融合生成特征接着特征特征和特征通过特征融合模块进行融合生成特征特征提炼模块的结构公式如下所示：
[0019][0020]所述特征融合模块由特征上采样操作、特征拼接操作和一个CBR模块组成。输入的两个特征通过上采样操作使得两个特征分辨率保持一致，接着使用特征拼接操作将两个特征按通道维度拼接在一块，最后使用CBR模块将特征进行融合处理。
[0021]进一步的，所述结构损失函数来源于显著性目标检测，它由二值交叉熵损失和交并比损失组成，所述结构损失函数如下：
[0022]L＝L
wbce
+L
wiou
[0023]所述二值交叉熵损失L
wbce
表达式如下：
[0024][0025]H为输出高度，W为输出宽度，g
ij
表示groundtruth对应像素点(i，j)的值，p
ij
表示预测结果对应像素点(i，j)的值，γ是一个超参数；α
ij
表示像素点(i，j)的权重。
[0026]所述α
ij
的表达式如下：
[0027][0028]A
ij
代表像素点(i，j)上下左右15个像素范围的区域；如果α
ij
越大，则说明该点像素(i，j)与周围像素不同，因此这是一个重要的像素，需要得到更多的关注。
[0029]所述交并比损失L
wiou
表达式如下：
[0030][0031]进一步的，所述的n＝3。
[0032]本专利技术有益效果：
[0033]本专利技术设计合理，基于特征提炼的方式来构建伪装物体检测模型，对伪装物体图像的特征进行增强处理以及去除背景噪声，利用结构损失函数对结果进行监督学习，使得预测结果更加准确，具有较强的鲁棒性，从而实现对伪装物体的精确分割，对社会具有重要
意义。
附图说明
[0034]图1是本专利技术实施例的整体实现流程图；
[0035]图2是本专利技术基于特征提炼的伪装物体检测模型结构示意图；
[0036]图3是本专利技术实施例特征提炼模块结构示意图；
[0037]图4是本专利技术实施例特征融合模块器结构示意图。
具体实施方式
[0038]下面根据附图详细说明本专利技术，本专利技术的目的和效果将变得更加明显。
[0039]如图1所示，本专利技术整体实现流程如下：
[0040]步骤(1)、获取伪装物体检测数据集。使用网上所存在的COD10K伪装物体检测数据集作为本任务的数据集。该数据集被分为训练集和测试集，训练集用于对所提出的模型进行训练，测试集用于对所提出的模型的鲁棒性进行评判；
[0041]步骤(2)、输入伪装物体检测图像。将伪装物体检测图像输入到模型中，并将该图像通过双线性插值算法裁剪为352
×
352尺寸；
[0042]步骤(3)、使用ResNet50骨干网络提取多级特征。输入图像通过ResNet50骨干网络会产生5个由浅层到深层的特征(X5、X4、X3、X2和X1)。接着对X3、X2和X1分别通过CBR模块得到Z3、Z2和Z1；
[0043]步骤(4)、使用特征提炼模块融合三个特征(Z3、Z2和Z1)得到最终预测特征，随后通过一个卷积层CNN最后通过一个1
×
1卷积层得到预测结果。然后，对该预测结果使用结构损失函数进行监督学习。特征提炼模块的路数n选择为3，这是经过大量实验总结得到的结果。
[0044]如图2所示，所述基于特征提炼的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征提炼的伪装物体检测方法，其特征在于，包括以下步骤：步骤(1)、获取伪装物体检测数据集；步骤(2)、数据预处理；将伪装物体检测图像通过双线性插值算法裁剪为352
×
352尺寸；步骤(3)、构建基于特征提炼的伪装物体检测模型；所述的基于深度学习的结直肠息肉图像分割特征提炼的伪装物体检测模型包括一个ResNet50特征提取模块，三个CBR模块和一个特征提炼模块；首先，输入图像通过ResNet50特征提取模块获得5个由深浅层到浅深层的特征X1、X2、X3、X4和X5；接着将X1、X2和X3通过CBR模块进行特征增强，从而得到特征Z1、Z2和Z3；然后，使用特征提炼模块对三个深层的特征Z1、Z2、Z3进行特征提炼以去除特征中的背景噪声并且保留对检测有益的信息，最终获得预测结果P；步骤(4)、通过训练集对构建好的基于特征提炼的伪装物体检测模型训练，对预测结果使用结构损失函数进行监督学习；步骤(5)、对模型训练结果加以验证，将测试集的数据输入到训练好的模型中，然后获取预测结果，与真实结果对比验证是否有效；预测结果和真实结果都是只有0和1的二值化图像，通过相减的方式获取一张图不同的像素点，然后除以整张图总像素数就是MAE指标，该指标越小越好。2.根据权利要求1所述的一种基于特征提炼的伪装物体检测方法，其特征在于，步骤(1)具体方法如下：伪装物体检测数据集采用现有的COD10K数据集；该数据集包含10000张伪装物体图像，每一张图像都提供了手工标注的像素级别的真值图，其中6000张用于对所提出的模型进行训练，4000张用于对所提出的模型的鲁棒性进行评判。3.根据权利要求1所述的一种基于特征提炼的伪装物体检测方法，其特征在于，所述CBR模块由一个核大小为3x3、输出通道为64的卷积、BN层以及ReLU激活函数组成；将ResNet50特征提取模块获得X1，X2和X3特征分别通过一个CBR模块进行特...

【专利技术属性】
技术研发人员：颜成钢，马立栋，陈泉，孙垚棋，朱尊杰，高宇涵，王鸿奎，王帅，王廷宇，殷海兵，张继勇，李宗鹏，赵治栋，
申请(专利权)人：杭州电子科技大学丽水研究院，
类型：发明
国别省市：