一种模拟生物感知的伪装目标检测方法及系统技术方案

本发明专利技术公开了一种模拟生物感知的伪装目标检测方法及系统，根据生物感知伪装目标的过程，进行神经网络的建模，所述建模包括五阶段的伪装目标识别过程：信息搜集

【技术实现步骤摘要】
一种模拟生物感知的伪装目标检测方法及系统


[0001]本专利技术属于目标检测
，主要涉及了一种模拟生物感知的伪装目标检测方法及系统
。

技术介绍

[0002]伪装目标检测是一种拓展于显著性目标检测和通用目标检测的领域，不同于显著性目标检测和通用目标检测，其专注于识别出与背景环境融为一体的目标
。
常见的伪装生物有如变色龙，昆虫等来通过改变自身颜色或者形状等物理特征与周边环境相融，以欺骗天敌
。
此外还有人为伪装的目标，如迷彩服
、
人体彩绘等将人体自身融入环境
。
伪装目标检测是目标检测的基准问题，在军事应用
、
生物保护
、
农业应用和医学诊断等场景有着很大的实用价值
。
[0003]近几年，基于深度学习技术的方法在计算机视觉领域得到广泛应用，其也被认为是伪装目标检测的首选方法
。
由于伪装目标通常隐匿在背景环境当中，加大了目标识别的难度
。
因此有很多方法尝试模拟人和动物发现伪装的行为来构建卷积神经神经网络，如将识别过程建模为先搜索后识别的二阶段方法
。
也有对图像进行几何变换，如旋转
、
缩小
、
放大等操作来建模感知信息的处理机制
。
但是这些建模方法仍然无法充分建模人和动物识别伪装目标的行为，以及未重建出感知行为与感知信息处理机制之间的紧密关系
。
因此如何使建模的神经网络像生物体一样有效地感知伪装目标是一个值得进一步思考的问题
。

技术实现思路

[0004]本专利技术正是针对现有技术中对于感知行为和感知信息处理的点对点关系较为匮乏的问题，提供一种模拟生物感知的伪装目标检测方法及系统，根据生物感知伪装目标的过程，进行神经网络的建模，所述建模包括五阶段的伪装目标识别过程：信息搜集
、
信息增强
、
信息过滤
、
信息定位
、
信息矫正和预测，并分别配置特征提取网络
、
信息增强组件
、
信息过滤组件
、
信息定位组件和信息矫正组件的定制化信息处理机制，再构建模型训练使用的损失函数
、
确定模型训练的超参数
、
训练图像的增强方式和尺寸大小；最后训练模型，使用训练好的最优模型对伪装目标图像进行检测并查看效果，以此精确地识别出伪装目标
。
[0005]为了实现上述目的，本专利技术采取的技术方案是：一种模拟生物感知的伪装目标检测方法，包括如下步骤
:
[0006]S1
：根据生物感知伪装目标的过程，进行神经网络的建模，所述建模包括五阶段的伪装目标识别过程：信息搜集
、
信息增强
、
信息过滤
、
信息定位
、
信息矫正和预测；
[0007]S2
：为步骤
S1
中的五阶段分别配置定制化信息处理机制，分别为：特征提取网络
、
信息增强组件
、
信息过滤组件
、
信息定位组件
、
信息矫正组件；
[0008]S3
：构建模型训练使用的损失函数，所述损失函数采用真实标签作为监督信息，包含加权二分类交叉熵损失和加权交并比损失；
[0009]S4
：确定模型训练的超参数，确定训练图像的增强方式和尺寸大小；
[0010]S5
：训练模型，并使用训练好的最优模型对伪装目标图像进行检测并查看效果
。
[0011]作为本专利技术的一种改进，所述信息搜集阶段中，使用预训练的特征提取网络模拟生物扫视图像来捕获图像信息，所述特征提取网络是卷积神经网络或
Transformer
类网络
。
[0012]作为本专利技术的一种改进，所述信息增强阶段中，构建信息增强组件模拟生物从不同距离尽可能观察到多信息，所述信息增强组件采用膨胀卷积
、
普通卷积
、
池化操作构建五个分支的多感受野信息捕获机制，将信息搜集阶段预提取到的特征在多种感受野下进行重审
。
[0013]作为本专利技术的另一种改进，所述信息过滤阶段中，构建信息过滤组件建模生物滤除无关信息，所述信息过滤组件通过
shuffle
和
split
对特征进行分组，再通过平均组池化和最大组池化完成过滤
。
[0014]作为本专利技术的另一种改进，所述信息定位阶段中，构建信息定位组件建模生物从全局和局部定位目标信息，所述信息定位组件包括双分支结构，一个分支负责捕获目标的全局信息，全局信息提取分支由
Multi
‑
Dconv Head Transposed Attention
构成；另一个分支负责捕获目标的局部信息
。
[0015]作为本专利技术的又一种改进，所述信息矫正和预测阶段中，构建信息矫正组件建模生物多次调整局部预测信息，所述信息矫正组件通过不确定区域计算将定位信息划分为确定的和不确定两部分信息，采用通道注意力在通道维度为不同的确定信息赋予不同权重，采用空间注意力在空间维度为不同的不确定信息赋予不同权重，最终与经过空间和通道两种注意力的输入特征进行融合得到矫正的信息
。
[0016]作为本专利技术的更进一步改进，所述步骤
S3
中，加权二分类交叉熵损失的具体计算方式如下：
[0017][0018]式中，
H
和
W
分别表示图像的高和宽，
ρ
(
·
)
是指示函数，
γ
是超参数系数，
l∈{0,1}
是二分类的标签，和分别表示
(i,j)
位置处的预测值和真实值，
α
ij
表示
(i,j)
位置处像素点的重要程度，
θ
表示所有的模型参数，
Pr(
·
)
表示预测概率；
[0019]所述加权交并比损失具体为：
[0020][0021]因此，最终的训练损失计算公式如下：
[0022][0023]式中
,P
i
和
G
分别为每个分支的预测结果图和标注的真实图
。
[0024]作为本专利技术的更进一步改进，所述步骤
S4
中，模型训练的超参数具体为：学习率为
1e
‑4，训练的总轮次为
150
个
epoch
，并在第
30、40、50
个
epoch
的时候将学习率缩小
10
倍；所述训练图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种模拟生物感知的伪装目标检测方法，其特征在于，包括如下步骤
:S1
：根据生物感知伪装目标的过程，进行神经网络的建模，所述建模包括五阶段的伪装目标识别过程：信息搜集
、
信息增强
、
信息过滤
、
信息定位
、
信息矫正和预测；
S2
：为步骤
S1
中的五阶段分别配置定制化信息处理机制，分别为：特征提取网络
、
信息增强组件
、
信息过滤组件
、
信息定位组件
、
信息矫正组件；
S3
：构建模型训练使用的损失函数，所述损失函数采用真实标签作为监督信息，包含加权二分类交叉熵损失和加权交并比损失；
S4
：确定模型训练的超参数，确定训练图像的增强方式和尺寸大小；
S5
：训练模型，并使用训练好的最优模型对伪装目标图像进行检测并查看效果
。2.
如权利要求1所述的一种模拟生物感知的伪装目标检测方法，其特征在于：所述信息搜集阶段中，使用预训练的特征提取网络模拟生物扫视图像来捕获图像信息，所述特征提取网络是卷积神经网络或
Transformer
类网络
。3.
如权利要求1所述的一种模拟生物感知的伪装目标检测方法，其特征在于：所述信息增强阶段中，构建信息增强组件模拟生物从不同距离尽可能观察到多信息，所述信息增强组件采用膨胀卷积
、
普通卷积
、
池化操作构建五个分支的多感受野信息捕获机制，将信息搜集阶段预提取到的特征在多种感受野下进行重审
。4.
如权利要求1所述的一种模拟生物感知的伪装目标检测方法，其特征在于：所述信息过滤阶段中，构建信息过滤组件建模生物滤除无关信息，所述信息过滤组件通过
shuffle
和
split
对特征进行分组，再通过平均组池化和最大组池化完成过滤
。5.
如权利要求1所述的一种模拟生物感知的伪装目标检测方法，其特征在于：所述信息定位阶段中，构建信息定位组件建模生物从全局和局部定位目标信息，所述信息定位组件包括双分支结构，一个分支负责捕获目标的全局信息，全局信息提取分支由
Multi
‑
Dconv Head Transposed Attent...

【专利技术属性】
技术研发人员：管巨伟，方效林，朱同鑫，
申请(专利权)人：东南大学，
类型：发明
国别省市：