【技术实现步骤摘要】
本专利技术涉及图像数据处理，尤其涉及一种细粒度定向能毁伤区域检测方法、装置及存储介质。
技术介绍
1、毁伤区域检测是工业界的一个重要问题，通常用于分析和识别图像中物体的受损或受影响区域，这些区域或由无意的事故灾害引起或由目的性打击所致。
2、定向能是利用激光、微波、粒子束、声波等的能量，产生高温、电离、辐射、声波等综合效应，从而对目标造成毁伤，定向能毁伤机制的多样性使得定向能毁伤区域检测任务变得更为复杂。
3、传统的定向能毁伤区域检测方法通常依赖于基于监督学习的目标检测方法，此类方法需要大量已标注的图像样本，通过训练深度学习模型来学习定向能毁伤区域的特征并进行检测，这些基于目标检测的方法在数据充足的情况下表现良好，但在数据稀少或缺失的情况下，模型的性能会急剧下降，导致实用性降低。
技术实现思路
1、本申请实施例提供一种细粒度定向能毁伤区域检测方法、装置及存储介质，用以解决现有技术中的定向能毁伤区域检测方法实用性低的技术问题。
2、第一方面，本申请实施例提供一种细粒度定向能毁伤区域检测方法，包括：
3、获取待检测图像的目标域图像特征；
4、将所述目标域图像特征输入到训练后的判别器中，得到所述训练后的判别器输出的所述待检测图像的目标域图像特征中每个位置的特征得分值，所述训练后的判别器是基于正常特征得分值和异常特征得分值训练得到的；
5、基于所述特征得分值确定待检测图像的毁伤区域。
6、在一些实施例中，所
7、获取正常图像的正常特征；
8、将所述正常特征与噪声图相加，得到异常特征；
9、基于所述正常特征和所述异常特征，得到所述正常特征中每个位置的正常特征得分值和所述异常特征中每个位置的异常特征得分值；
10、基于所述正常特征得分值、所述异常特征得分值和截断损失函数确定所述判别器的损失值；
11、根据所述损失值训练所述判别器。
12、在一些实施例中，所述噪声图是基于噪声生成器生成的，所述噪声图与所述正常图像的正常特征的尺寸和通道数是相同的。
13、在一些实施例中，所述获取待检测图像的目标域图像特征，包括：
14、获取待检测图像的图像特征；
15、基于域配适器将所述待检测图像的图像特征转换为目标域图像特征。
16、在一些实施例中，所述基于域配适器将所述待检测图像的图像特征转换为目标域图像特征，包括：
17、基于所述待检测图像的图像特征确定所述待检测图像的源域图像特征；
18、对所述待检测图像的源域图像特征进行域转换，得到所述待检测图像的目标域图像特征。
19、在一些实施例中，所述基于所述特征得分值确定待检测图像的毁伤区域，包括：
20、基于所述特征得分值确定所述待检测图像的目标域图像特征中每个位置的分类结果；
21、将所述分类结果上采样到所述待检测图像，得到所述待检测图像的毁伤区域。
22、在一些实施例中，所述基于所述特征得分值确定所述待检测图像的目标域图像特征中每个位置的分类结果，包括：
23、确定绝对值最大的异常特征得分值对应的分类结果为毁伤结果。
24、第二方面，本申请实施例还提供一种细粒度定向能毁伤区域检测装置，包括：
25、第一获取模块，用于获取待检测图像的目标域图像特征；
26、第一处理模块，用于将所述目标域图像特征输入到训练后的判别器中，得到所述训练后的判别器输出的所述待检测图像的目标域图像特征中每个位置的特征得分值，所述训练后的判别器是基于正常特征得分值和异常特征得分值训练得到的；
27、第一确定模块，用于基于所述特征得分值确定待检测图像的毁伤区域。
28、在一些实施例中，所述判别器的训练步骤包括：
29、获取正常图像的正常特征；
30、将所述正常特征与噪声图相加，得到异常特征；
31、基于所述正常特征和所述异常特征，得到所述正常特征中每个位置的正常特征得分值和所述异常特征中每个位置的异常特征得分值；
32、基于所述正常特征得分值、所述异常特征得分值和截断损失函数确定所述判别器的损失值；
33、根据所述损失值训练所述判别器。
34、在一些实施例中，所述噪声图是基于噪声生成器生成的，所述噪声图与所述正常图像的正常特征的尺寸和通道数是相同的。
35、在一些实施例中，所述第一获取模块包括：
36、第一获取子模块，用于获取待检测图像的图像特征；
37、第一转换子模块，用于基于域配适器将所述待检测图像的图像特征转换为目标域图像特征。
38、在一些实施例中，所述第一转换子模块包括：
39、第一确定单元，用于基于所述待检测图像的图像特征确定所述待检测图像的源域图像特征；
40、第一转换单元，用于对所述待检测图像的源域图像特征进行域转换，得到所述待检测图像的目标域图像特征。
41、在一些实施例中，所述第一确定模块包括：
42、第一确定子模块，用于基于所述特征得分值确定所述待检测图像的目标域图像特征中每个位置的分类结果；
43、第一处理子模块，用于将所述分类结果上采样到所述待检测图像，得到所述待检测图像的毁伤区域。
44、在一些实施例中，所述第一确定子模块包括：
45、第二确定单元，用于确定绝对值最大的异常特征得分值对应的分类结果为毁伤结果。
46、第三方面，本申请实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述细粒度定向能毁伤区域检测方法。
47、第四方面，本申请实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述细粒度定向能毁伤区域检测方法。
48、第五方面，本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述细粒度定向能毁伤区域检测方法。
49、本申请实施例提供的细粒度定向能毁伤区域检测方法、装置及存储介质，通过训练后的判别器可以获取目标域图像特征中每个位置的特征得分值，然后根据特征得分值确定待检测图像中的毁伤区域，规避了标注依赖以及毁伤区域样本稀少或缺失问题，提高了实用性。
本文档来自技高网...【技术保护点】
1.一种细粒度定向能毁伤区域检测方法，其特征在于，包括：
2.根据权利要求1所述的细粒度定向能毁伤区域检测方法，其特征在于，所述判别器的训练步骤包括：
3.根据权利要求2所述的细粒度定向能毁伤区域检测方法，其特征在于，所述噪声图是基于噪声生成器生成的，所述噪声图与所述正常图像的正常特征的尺寸和通道数是相同的。
4.根据权利要求1所述的细粒度定向能毁伤区域检测方法，其特征在于，所述获取待检测图像的目标域图像特征，包括：
5.根据权利要求4所述的细粒度定向能毁伤区域检测方法，其特征在于，所述基于域配适器将所述待检测图像的图像特征转换为目标域图像特征，包括：
6.根据权利要求1所述的细粒度定向能毁伤区域检测方法，其特征在于，所述基于所述特征得分值确定待检测图像的毁伤区域，包括：
7.根据权利要求6所述的细粒度定向能毁伤区域检测方法，其特征在于，所述基于所述特征得分值确定所述待检测图像的目标域图像特征中每个位置的分类结果，包括：
8.一种细粒度定向能毁伤区域检测装置，其特征在于，包括：
9.一
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述细粒度定向能毁伤区域检测方法。
...【技术特征摘要】
1.一种细粒度定向能毁伤区域检测方法，其特征在于，包括：
2.根据权利要求1所述的细粒度定向能毁伤区域检测方法，其特征在于，所述判别器的训练步骤包括：
3.根据权利要求2所述的细粒度定向能毁伤区域检测方法，其特征在于，所述噪声图是基于噪声生成器生成的，所述噪声图与所述正常图像的正常特征的尺寸和通道数是相同的。
4.根据权利要求1所述的细粒度定向能毁伤区域检测方法，其特征在于，所述获取待检测图像的目标域图像特征，包括：
5.根据权利要求4所述的细粒度定向能毁伤区域检测方法，其特征在于，所述基于域配适器将所述待检测图像的图像特征转换为目标域图像特征，包括：
6.根据权利要求1所述的细粒度定向能毁伤区域检测方法，...
【专利技术属性】
技术研发人员：薛广阔，孙克显，梁昊，张骏骁，周晓，
申请(专利权)人：齐鲁空天信息研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。