一种基于融合注意力GAN的红外弱小移动目标生成算法制造技术

本发明专利技术公开了一种基于融合注意力GAN的红外弱小移动目标生成算法，针对可见光与红外源图像，在两个生成器和两个判别器中均构建融合多尺度注意机制，生成融合注意力图，并与输入图像融合。利用准备好的可见光、红外弱小移动目标数据集训练网络模型，生成红外弱小移动目标数据。相较于现有技术，本发明专利技术能够有效提取可见光图像中弱小目标特征信息，保留红外图像中存在的丰富背景细节，信息丰富，且图像质量高，可作为对红外弱小移动目标数据集的补充。可作为对红外弱小移动目标数据集的补充。可作为对红外弱小移动目标数据集的补充。

【技术实现步骤摘要】
一种基于融合注意力GAN的红外弱小移动目标生成算法


[0001]本专利技术涉及人工智能领域，具体涉及一种红外弱小移动目标生成算法。

技术介绍

[0002]环境的多样化以及可见光条件的限制，加之高于热力学零度的物体都会向外辐射红外线，其中红外线穿透云雾的能力比较强，受光照强度的影响很小，在白天和夜晚都可以实现很好的目标检测效果，使得红外成像成为目标检测的主要手段之一。红外弱小移动目标的检测跟踪，在海面舰船搜索定位、应急救援、海面实时自动侦察和态势评估等方面具有广阔的应用前景。随着信息技术的日益发展，计算机视觉逐渐代替人类对目标进行识别、检测，解决人工成本和精确度问题。基于深度学习与红外弱小目标检测算法的结合已经成为重要的研究方向。基于卫星平台和高空无人机的红外成像系统，由于成像距离较远，目标往往表现出“弱”“小”特征。红外图像的对比度比较低、纹理特征比较弱、受到的干扰比较多，检测目标在海上云雾相似背景的影响之下，会成为弱小目标，一般的目标识别算法很难适用于弱小目标检测。
[0003]注意力机制是人类视觉系统固有的一种筛选图像信息和聚焦显著本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合注意力GAN的红外弱小移动目标生成算法，其特征在于，包括以下步骤：1)从弱小移动目标数据集中获取可见光形式图像和红外形式图像，作为源图像；2)在GAN的生成器中构建融合多尺度注意机制；3)将融合多尺度注意机制引入残差模块及图像处理过程，与源图像融合计算注意力图；4)在生成器中使用上采样和卷积方法处理图像，生成目标图像；5)在GAN的判别器中构建融合多尺度注意机制，与输入图像融合计算注意力图，并输出合格的特征图像；6)引入感知损失，构建损失函数处理特征图像并生成最终图像，重建源图像；7)基于上述模型进行训练，满足使用精度要求后，将可见光移动目标图像输入该模型，则生成红外弱小移动目标图像。2.根据权利要求1所述的基于融合注意力GAN的红外弱小移动目标生成算法，其特征在于，所述的融合多尺度注意机制，通过设置不同尺寸的内核大小捕获多尺度特征，在每个尺度中，基于该尺度特征将通道注意力和空间注意力串联融合。3.根据权利要求2所述的基于融合注意力GAN的红外弱小移动目标生成算法，其特征在于，所述的串联融合中，将输入特征上采样，同时通道注意力和空间注意力将输入特征压缩，对压缩后的结果进行全连接和激活操作，得到注意力权重，将注意力权重和上采样后的输入特征进行信道乘法并输出注意力图。4.根据权利要求3所述的基于融合注意力GAN的红外弱小移动目标生成算法，其特征在于，所述的通道注意力机制将该尺度特征通过全局平均池化压缩，并输出通道注意力图；其中，压缩过程为：式中，z代表压缩后的特征结果，F
sq
代表压缩函数，H代表特征图高，W代表特征图宽，u
c
(i,j)代表(i,j)处的原始特征，c表示原始特征通道个数。通道注意力权重计算过程为：s＝F
ex
(z,W)＝σ(g(z,W)＝σ(W2δ(W1z))式中，σ表示sigmoid函数，s表示学习到的通道注意力，F
ex
代表激活函数，W代表全连接操作，g(z,W)代表对压缩后的特征结果进行全连接操作，W1代表第一个全连接层，W2代表第二个全连接层,δ(W1z)代表对压缩后的特征结果进行全连接操作，...

【专利技术属性】
技术研发人员：肖晖，李惠堂，王博，盛庆红，李俊，凌霄，朱凯凯，胡成杰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：