【技术实现步骤摘要】
本专利技术属于图像处理，特别涉及一种小目标远程实时检测方法，可用于在资源受限环境下的目标检测和分析。
技术介绍
1、小目标检测在实时监测和无人机应用中具有重要意义。现有技术主要分为基于模型驱动和数据驱动两个部分。基于模型驱动的方法侧重于目标的物理特性，主要考虑三个方面：滤波、人类视觉系统和低秩稀疏恢复。然而，此类方法不适用于检测暗目标，计算耗时且虚警率较高。基于数据驱动的方法具有较好的泛化能力和可行性。但由于网络的深层结构抑制了小目标的特征，故无法处理复杂的背景干扰。此外，这些算法对硬件资源有较高的要求，难以适用于远程实时小目标检测。
2、华东理工大学在其申请号为202211539561.x的专利文献中公开了一种基于注意力导向金字塔融合的红外小目标检测方法。其包括以下步骤：首先，获取红外图像训练和测试数据集，并对这些数据进行预处理；其次，构建一个基于编码器-解码器结构的神经网络，将预处理后的红外图像输入到该神经网络中，具体操作为，神经网络编码器各层的输出图像进入多尺度融合模块以丰富目标信息；接着，多尺度融合模块的输出图像与相同层级解码器的输出图像进行拼接并经过注意力机制模块以放大关键信息；随后，神经网络编码器的输出图像进入上下文金字塔模块以关联图像上下文信息，输出后进入解码器；最后，使用检测图像与真实标签图像之间的差异作为损失函数，迭代训练至损失稳定。然而，该方法由于在对长距离相关特征进行编码时要受到卷积核局部性的限制，因而降低了网络捕捉目标形状和位置的能力，容易产生漏检和虚警。同时由于上下文金字塔模块的单层特征提取
3、浙江大学在其申请号为202211656664.4的专利文献中公开了一种基于深度学习语义特征分离的空域小目标检测方法。该方法包括以下步骤：首先，对输入图像进行预处理，以消除噪声干扰并提高对小目标的学习能力；接着，采用神经网络处理目标图像，并通过反卷积操作提取神经网络的语义信息和纹理信息；然后，使用检测器生成目标区域存在概率图，采用概率图滤波处理目标语义和纹理特征，以消除背景特征干扰，保留目标前景特征，并稀疏化目标特征以表示空间关系；接下来，使用transformer结构网络查询处理目标语义信息和纹理特征信息，以提取目标特征之间的关联性，生成多个目标预测框集合；最后，采用匈牙利算法进行动态匹配预测框信息和真实框信息，通过最小化损失函数实现预测框与真实框之间的最优动态匹配，以实现目标预测。然而，该方法利用概率图滤波的方式提取小目标特征，只能在一定程度上抑制均匀背景，难以解决复杂背景问题，而且特征图之间的相关性较差，无法捕捉大范围依赖关系。此外，该方法使用了复杂的transformer网络结构，结构参数众多，特征图衰减明显，导致小目标的特征信息在深层网络中容易受到周围背景特征的混淆。导致算法的稳定性较差、计算成本较高，不易与现有硬件兼容。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足，提出一种基于交叉感知压缩网络的小目标远程实时检测方法，以减小计算耗时，降低虚警率，实现在复杂背景下对小目标对精准检测。
2、本专利技术的技术关键是设计了交叉感知压缩网络，实现方案包括如下：
3、(1)设计交叉感知压缩网络：
4、(1a)建立包含第一卷积层、三个特征提取层、两个上采样层的主干网络；
5、(1b)建立包含顺次连接的白盒剪枝操作、多尺度空洞卷积层、自适应混合操作和第二卷积层的压缩混合模块；
6、(1c)建立包含并行排布的滤波核、平均池化层、交叉感知核的滤波感知模块；
7、(1d)将第一卷积层、第一特征提取层、滤波感知模块、第一上采样层依次连接；将第一特征提取层、第二特征提取层、第一压缩混合模型、第二上采样层、滤波感知模块依次连接；将第二特征提取层、第三特征提取层、第二压缩混合模型、第二上采样层依次连接，构成交叉感知压缩网络；
8、(2)生成训练集：
9、选取sirst数据集中的图像组成样本集，并将样本集中的每张图像输入到现有的torchvision模块中进行归一化处理，用归一化处理后的所有样本组成训练集；
10、(3)训练交叉感知压缩网络：
11、(3a)设计包含知识蒸馏损失和原始检测损失的交叉感知压缩网络损失函数ls；
12、(3b)将训练集输入到交叉感知压缩网络中，使用adagrad优化器，通过随机梯度下降法，对网络参数进行迭代更新，直至网络的损失函数ls收敛为止，得到训练好的交叉感知压缩网络；
13、(4)对小目标进行检测：
14、对待检测的弱小目标进行归一化，将归一化处理后的图像，输入到训练好的交叉感知压缩网络中，将其输出中由多个像素值为1的像素点组成的区域作为检测到的小目标区域，像素值为0的像素点代表未检测到小目标的区域。
15、与现有技术相比，本专利技术具有以下优点：
16、第一，本专利技术由于设计了交叉感知压缩网络，可在降低计算和通信负担的同时实现小目标的精准定位与分割。该网络与现有硬件兼容，在各种小目标远程实时监测场景中具有广泛的适用性，满足高性能与低功耗的要求。
17、第二，本专利技术由于在交叉感知压缩网络中设计了压缩混合模块，可在语义和空间双重维度上通过剪枝操作实现特征的自适应混合，使得网络在不同的图像位置和应用场境下均能达到性能最优，同时在极大程度上减小了计算耗时。
18、第三，本专利技术由于在交叉感知压缩网络中设计了滤波器感知模块，可根据输入特征图的内容动态调整特征图的贡献度，使得网络在不同的语义层次上均能增强特征图的交叉感知效果，进而显著地降低虚警率。
本文档来自技高网...【技术保护点】
1.一种基于交叉感知压缩网络的小目标远程实时检测方法，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(1a)中构成主干网络中的各层参数如下:
3.根据权利要求1所述的方法，其特征在于，步骤(1b)中构成压缩混合模块的各层参数及功能，包括如下:
4.根据权利要求3所述的方法，其特征在于，所述白盒剪枝操作使用大小均为3*3、1*3、3*1的三个并行卷积内核计算特征图的动态权重，计算公式如下：
5.根据权利要求3所述的方法，其特征在于，所述多尺度空洞卷积层借助多个膨胀率数值定义每个卷积层的取值间隔，实现如下：
6.根据权利要求3所述的方法，其特征在于，所述自适应混合操作使用在白盒剪枝中获得的动态权重对采样特征进行空间变换，实现如下：
7.根据权利要求1所述的方法，其特征在于，步骤(1c)中构成滤波感知模块的滤波核、平均池化层、交叉感知核，其结构功能如下:
8.根据权利要求7所述的方法，其特征在于，交叉感知核根据输入内容的贡献度动态融合不同分辨率的特征图，实现如下：
9.根据权
...【技术特征摘要】
1.一种基于交叉感知压缩网络的小目标远程实时检测方法，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(1a)中构成主干网络中的各层参数如下:
3.根据权利要求1所述的方法，其特征在于，步骤(1b)中构成压缩混合模块的各层参数及功能，包括如下:
4.根据权利要求3所述的方法，其特征在于，所述白盒剪枝操作使用大小均为3*3、1*3、3*1的三个并行卷积内核计算特征图的动态权重，计算公式如下：
5.根据权利要求3所述的方法，其特征在于，所述多尺度空洞卷积层借助多个膨胀率数...
【专利技术属性】
技术研发人员：张铭津，周楠，李晓锋，董晓刚，杨璐畅，李云松，高新波，
申请(专利权)人：西安电子科技大学，
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。