一种船舶复杂环境目标特征增强方法、系统及设备技术方案

本发明专利技术提供了一种船舶复杂环境目标特征增强方法、系统及设备，涉及目标特征增强领域，该方法包括：在通道维度上，采用深度可分离卷积提取船舶图像的特征图；采用通道注意力机制确定所述特征图内通道之间的整体信息以及各通道之间的信息权重；在空间维度上，通过全局最大池化和全局平均池化确定所述船舶图像各像素所包含的目标位置，并采用空间注意力机制构建各像素之间的信息关联；融合所述通道注意力机制以及所述空间注意力机制，根据所述整体信息、各通道之间的信息权重以及各像素之间的信息关联，生成目标增强后的船舶图像。本发明专利技术能够全面捕捉图像特征。能够全面捕捉图像特征。能够全面捕捉图像特征。

【技术实现步骤摘要】
一种船舶复杂环境目标特征增强方法、系统及设备


[0001]本专利技术涉及目标特征增强领域，特别是涉及一种船舶复杂环境目标特征增强方法、系统及设备。

技术介绍

[0002]目标检测技术是计算机视觉领域的基础研究之一，为图像分割、物体识别、关键点检测等提供基础支持。随着卷积神经网络提取图像特征的能力不断提升，目标检测的性能也在不断提高。目标检测方法按照检测流程通常可分为两类：单阶段检测方法和两阶段检测方法。单阶段检测法以YOLO、SSD、RetinaNet模型为代表；两阶段检测法以FasterR
‑
CNN、MaskR
‑
CNN模型为代表。现有的目标检测技术针对简单图像的检测性能优秀，但对于实际中复杂多变的应用场景，实时采集的图像往往由于外界因素导致检测效果不能达到理论效果。因此，如何使目标检测技术更有效地应用到实际生活中，并且依然能保持高精度的检测效果，是目前人们正在研究的热门课题。近年来，为了提高目标检测的精度，研究者们提出了许多方法。这些方法主要包括Anchor
‑
free目标检测器、更深的神经网络结构、多尺度特征融合技术和注意力机制等，以增强目标特征并提高检测性能。在这些研究中，将注意力机制应用于增强图像中目标特征的研究被证实为有效且开发潜力巨大。
[0003]在面对大型油轮复杂环境的船员实时监测过程中，当前的注意力机制在处理图像时往往只关注通道或空间信息，无法全面捕捉图像的特征。。

技术实现思路

[0004]本专利技术的目的是提供一种船舶复杂环境目标特征增强方法、系统及设备，以解决无法全面捕捉图像特征的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种船舶复杂环境目标特征增强方法，包括：
[0007]在通道维度上，采用深度可分离卷积提取船舶图像的特征图；
[0008]采用通道注意力机制确定所述特征图内通道之间的整体信息以及各通道之间的信息权重；
[0009]在空间维度上，通过全局最大池化和全局平均池化确定所述船舶图像各像素所包含的目标位置，并采用空间注意力机制构建各像素之间的信息关联；
[0010]融合所述通道注意力机制以及所述空间注意力机制，根据所述整体信息、各通道之间的信息权重以及各像素之间的信息关联，生成目标增强后的船舶图像。
[0011]可选的，在通道维度上，采用深度可分离卷积提取船舶图像的特征图，具体包括：
[0012]采用深度卷积对所述船舶图像中每个通道进行单独卷积操作，提取空间特征；
[0013]并采用逐点卷积对提取空间特征后的船舶图像的通道进行特征组合，生成所述船舶图像的特征图。
[0014]可选的，采用通道注意力机制确定所述特征图内通道之间的整体信息以及各通道
之间的信息权重，具体包括：
[0015]基于所述通道注意力机制，对所述特征图进行降维处理，结合两种全局池化操作确定两个1
×1×
C的特征向量；所述特征向量为所述特征图中的各通道之间的整体信息；C为卷积核数量；所述全局池化操作包括全局最大池化和全局平均池化；
[0016]将两个所述特征向量分别输入至两个全连接层中，对每个通道的整体信息进行加权学习，确定各通道之间的信息权重。
[0017]可选的，在空间维度上，通过全局最大池化和全局平均池化确定所述船舶图像各像素所包含的目标位置，并采用空间注意力机制构建各像素之间的信息关联，具体包括：
[0018]通过全局最大池化和全局平均池化对所述船舶图像进行处理，确定两个通道特征图；
[0019]采用一个1
×
1卷积核的卷积层对所述通道特征图中每个通道的信息进行加权学习，扩大所述通道特征图的通道维度，确定第一输出特征图；
[0020]采用两个3
×
3卷积核串联卷积对所述第一输出特征图进行处理，扩大所述第一输出特征图的通道维度，确定第二输出特征图；
[0021]采用一个3
×
3卷积核的卷积层对所述第二输出特征图进行通道降维，同时增加感受野，增强空间维度上下文依赖关系，确定第三输出特征图；
[0022]通过Sigmoid激活函数处理所述第三输出特征图，确定二维空间注意力权重矩阵；所述二维空间注意力权重矩阵包含每个目标位置的重要性以及各像素之间的信息关联。
[0023]一种船舶复杂环境目标特征增强系统，包括：
[0024]特征图提取模块，用于在通道维度上，采用深度可分离卷积提取船舶图像的特征图；
[0025]通道注意力机制模块，用于采用通道注意力机制确定所述特征图内通道之间的整体信息以及各通道之间的信息权重；
[0026]空间注意力机制模块，用于在空间维度上，通过全局最大池化和全局平均池化确定所述船舶图像各像素所包含的目标位置，并采用空间注意力机制构建各像素之间的信息关联；
[0027]船舶图像增强模块，用于融合所述通道注意力机制以及所述空间注意力机制，根据所述整体信息、各通道之间的信息权重以及各像素之间的信息关联，生成目标增强后的船舶图像。
[0028]可选的，特征图提取模块，具体包括：
[0029]空间特征提取单元，用于采用深度卷积对所述船舶图像中每个通道进行单独卷积操作，提取空间特征；
[0030]特征图生成单元，用于并采用逐点卷积对提取空间特征后的船舶图像的通道进行特征组合，生成所述船舶图像的特征图。
[0031]可选的，通道注意力机制模块，具体包括：
[0032]整体信息确定单元，用于基于所述通道注意力机制，对所述特征图进行降维处理，结合两种全局池化操作确定两个1
×1×
C的特征向量；所述特征向量为所述特征图中的各通道之间的整体信息；C为卷积核数量；所述全局池化操作包括全局最大池化和全局平均池化；
[0033]信息权重确定单元，用于将两个所述特征向量分别输入至两个全连接层中，对每个通道的整体信息进行加权学习，确定各通道之间的信息权重。
[0034]可选的，空间注意力机制模块，具体包括：
[0035]通道特征图确定单元，用于通过全局最大池化和全局平均池化对所述船舶图像进行处理，确定两个通道特征图；
[0036]第一输出特征图确定单元，用于采用一个1
×
1卷积核的卷积层对所述通道特征图中每个通道的信息进行加权学习，扩大所述通道特征图的通道维度，确定第一输出特征图；
[0037]第二输出特征图确定单元，用于采用两个3
×
3卷积核串联卷积对所述第一输出特征图进行处理，扩大所述第一输出特征图的通道维度，确定第二输出特征图；
[0038]第三输出特征图确定单元，用于采用一个3
×
3卷积核的卷积层对所述第二输出特征图进行通道降维，同时增加感受野，增强空间维度上下文依赖关系，确定第三输出特征图；
[0039]二维空间注意力权重矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶复杂环境目标特征增强方法，其特征在于，包括：在通道维度上，采用深度可分离卷积提取船舶图像的特征图；采用通道注意力机制确定所述特征图内通道之间的整体信息以及各通道之间的信息权重；在空间维度上，通过全局最大池化和全局平均池化确定所述船舶图像各像素所包含的目标位置，并采用空间注意力机制构建各像素之间的信息关联；融合所述通道注意力机制以及所述空间注意力机制，根据所述整体信息、各通道之间的信息权重以及各像素之间的信息关联，生成目标增强后的船舶图像。2.根据权利要求1所述的船舶复杂环境目标特征增强方法，其特征在于，在通道维度上，采用深度可分离卷积提取船舶图像的特征图，具体包括：采用深度卷积对所述船舶图像中每个通道进行单独卷积操作，提取空间特征；并采用逐点卷积对提取空间特征后的船舶图像的通道进行特征组合，生成所述船舶图像的特征图。3.根据权利要求1所述的船舶复杂环境目标特征增强方法，其特征在于，采用通道注意力机制确定所述特征图内通道之间的整体信息以及各通道之间的信息权重，具体包括：基于所述通道注意力机制，对所述特征图进行降维处理，结合两种全局池化操作确定两个1
×1×
C的特征向量；所述特征向量为所述特征图中的各通道之间的整体信息；C为卷积核数量；所述全局池化操作包括全局最大池化和全局平均池化；将两个所述特征向量分别输入至两个全连接层中，对每个通道的整体信息进行加权学习，确定各通道之间的信息权重。4.根据权利要求1所述的船舶复杂环境目标特征增强方法，其特征在于，在空间维度上，通过全局最大池化和全局平均池化确定所述船舶图像各像素所包含的目标位置，并采用空间注意力机制构建各像素之间的信息关联，具体包括：通过全局最大池化和全局平均池化对所述船舶图像进行处理，确定两个通道特征图；采用一个1
×
1卷积核的卷积层对所述通道特征图中每个通道的信息进行加权学习，扩大所述通道特征图的通道维度，确定第一输出特征图；采用两个3
×
3卷积核串联卷积对所述第一输出特征图进行处理，扩大所述第一输出特征图的通道维度，确定第二输出特征图；采用一个3
×
3卷积核的卷积层对所述第二输出特征图进行通道降维，同时增加感受野，增强空间维度上下文依赖关系，确定第三输出特征图；通过Sigmoid激活函数处理所述第三输出特征图，确定二维空间注意力权重矩阵；所述二维空间注意力权重矩阵包含每个目标位置的重要性以及各像素之间的信息关联。5.一种船舶复杂环境目标特征增强系统，其特征在于，包括：特征图提取模块，用于在通道维度上，采用深度可分离卷积提取船舶图像的特征图；通道注意力机制模块，用于采用通道注意力机制确定所述特征图内通道之间的整体信息以及各通道之间的信息权重；空间注意力机制模块，用于在空间维度上，...

【专利技术属性】
技术研发人员：蔡东升，黄琦，孙敏，井实，李坚，黄鑫，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：