System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机视觉目标检测领域。尤其涉及一种基于改进refinedet的红外小目标检测方法。
技术介绍
1、目标检测是从图像中精确、高效地识别和定位感兴趣目标的任务,其应用广泛,包括医学研究、智慧城市、机器人研究、军事领域等,如行人检测、指纹识别、车牌识别等技术。红外成像具有成像距离远、成像范围广、可夜视和环境因素影响小等优点,因此红外小目标检测越来越受到关注。然而,红外小目标检测一直是目标检测的难题之一,因为红外小目标图像的成像面积小、分辨率低、视觉效果差、对比度低、特征模糊,使得红外小目标特别容易被淹没在复杂背景中。此外,红外成像过程中易产生噪声,图像噪声易被检测为目标,容易产生误检问题。为了解决红外小目标检测问题,许多方法被提出,大部分红外目标检测方法都是基于传统图像处理的方法,通常可分为基于背景抑制的方法、基于人眼视觉系统的方法和基于低秩稀疏恢复的方法。
2、近年来,随着深度学习的发展,各类卷积神经网络被应用到目标检测中,神经网络可以通过学习的方式提取特征,相较传统方法的手动提取方法可以提取更优的特征,用于后续预测可以得到更好的结果,因此检测准确性和算法鲁棒性更好。但由于红外图像采集困难,图像较少,红外图像数据集不完善,因此将深度学习应用到红外小目标检测的研究很少,大部分网络都是基于主流普遍数据集设计的网络,针对可见光普遍大小目标进行检测,在红外小目标数据集上效果较差。因此,如何将深度学习应用于红外小目标检测仍然有待进一步研究。
3、为了提高红外小目标检测的准确度,本专利技术开展了基于深度学
4、本专利技术利用基于改进的refinedet目标检测模型对红外小目标进行检测,其中refinedet模型可以看成是ssd、rpn和fpn算法的结合,其主要思想是:faster-rcnn等两阶段算法,对锚框进行两次回归,因此精度高,但是速度慢;yolo等一阶段算法,对锚框只进行一次回归,速度快,但是精度低;refinedet将两者结合起来,对锚框进行两次回归,但是还是一阶段算法,既提高了精度,同时速度也比较快;refinedet的使用的框架是ssd,同时引入了fpn的特征融合操作,提高对红外小目标的检测效果。
技术实现思路
1、本专利技术要解决的技术问题是,提供一种基于refinedet的改进方法,克服红外小目标检测中平均准确率低的问题。本专利技术通过在refinedet的主干网络中引入扩大感受野模块和在传输连接块中添加通道注意力机制的方式来提高红外小目标检测数据集的平均准确率,使训练好的深度卷积神经网络模型准确率更高,从而提高网络模型对红外小目标的分类和定位能力。本专利技术采用如下的技术方案:
2、一种基于refinedet的改进红外小目标检测方法,其特征在于,包括以下步骤:
3、1、一种基于改进refinedet的红外小目标检测方法,其特征在于,采用单阶段和两阶段结合的检测器refinedet,输入图像先通过小目标锚框精细模块获得精细的候选锚框以及特征图,再将获得的特征图输入到特征注意传输连接模块进行特征融合,最后将融合后的特征和精细的候选锚框输入到小目标检测模块进行检测,得到最后的检测结果;
4、所述的小目标锚框精细模块的步骤为:
5、s101:通过主干网络和额外网络获取不同尺度的特征;
6、s102:将s101中得到的特征图输入到检测头进行初始候选锚框的二分类和回归预测;
7、s103:过滤掉s102的二分类预测结果中为负样本的锚框,并且根据回归预测值得到精细的候选锚框;
8、所述的特征注意传输连接模块的步骤为:
9、s201:将s101获得的不同尺度特征图,进行反卷积操作使得高层特征图的大小与低层的特征图大小相同,然后将对应的高层特征图和低层特征图相加进行融合得到信息丰富的特征图;
10、s202:将s201获得的特征图输入通道注意力模块,获得精细特征图;
11、所述的小目标检测模块的步骤为:
12、s301:将s202获得的精细特征输入检测头进行最终的多分类和回归预测得到初始的预测结果;
13、s302:将s301的预测结果输入到非极大值抑制后处理算法中移除冗余的预测结果,然后得到最终的预测结果。
14、2、根据权利要求1所述的红外小目标检测方法,其特征在于,步骤s101所使用的主干网络是vgg16,额外网络由扩大感受野块和下采样构成;扩大感受野块使用4个具有不同数量卷积核的分支进行卷积,第一个分支没有卷积核,为恒等连接;第二个分支包含1个1′1卷积和1个3′3的空洞率为1的空洞卷积;第三个分支包含1个1′1卷积和1个3′3卷积以及1个3′3的空洞率为3的空洞卷积;第四个分支包含1个1′1卷积和2个3′3卷积以及1个3′3的空洞率为5的空洞卷积;将4个分支的输出在通道维度进行拼接,最后通过最大池化下采样得到额外网络输出;使用主干网络vgg16的conv4_3、conv5_3、fc7以及额外网络的输出作为小目标锚框精细模块的4个不同尺度的输出。
15、3、根据权利要求1所述的红外小目标检测方法,其特征在于,步骤s102中检测头由4个卷积操作分支构成,每个分支包含1个3′3卷积,使用4个卷积操作得到的特征图进行二分类和初始锚框回归的预测。
16、4、根据权利要求1所述的红外小目标检测方法,其特征在于,步骤s103中根据二分类预测的置信度,若锚框的置信度低于设定阈值,则将其过滤掉;然后根据回归预测值得出精细的候选锚框坐标。
17、5、根据权利要求1所述的红外小目标检测方法,其特征在于,步骤s201中反卷积操作的卷积核大小为3′3。
18、6、根据权利要求1所述的红外小目标检测方法,其特征在于,步骤s202中通道注意力模块的步骤为:
19、s401:输入特征q,大小为h创w c,分别经过最大池化和平均池化处理,得到两个特征图分别为1创1c和1创1c大小;
20、s402:把两个特征图进行相加,得到1创1c大小的特征图;
21、s403:经过sigmoid激活函数得到具有通道依赖信息的一维向量v1,大小为1创1c,并将v1平铺为h创w c大小;
22、s404:将原特征q与一维向量v1对应位置相乘得到通道注意特征图,大小为h创wc。
23、7、据权利要求1所述的红外小目标检测方法,其特征在于,步骤s301中的检测头由4个卷积分支构成,每个分支包含1个3′3卷积。
本文档来自技高网...【技术保护点】
1.一种基于改进RefineDet的红外小目标检测方法,其特征在于,采用单阶段和两阶段结合的检测器RefineDet,输入图像先通过小目标锚框精细模块获得精细的候选锚框以及特征图,再将获得的特征图输入到特征注意传输连接模块进行特征融合,最后将融合后的特征和精细的候选锚框输入到小目标检测模块进行检测,得到最后的检测结果;
2.根据权利要求1所述的红外小目标检测方法,其特征在于,步骤S101所使用的主干网络是VGG16,额外网络由扩大感受野块和下采样构成;扩大感受野块使用4个具有不同数量卷积核的分支进行卷积,第一个分支没有卷积核,为恒等连接;第二个分支包含1个1ˊ1卷积和1个3ˊ3的空洞率为1的空洞卷积;第三个分支包含1个1ˊ1卷积和1个3ˊ3卷积以及1个3ˊ3的空洞率为3的空洞卷积;第四个分支包含1个1ˊ1卷积和2个3ˊ3卷积以及1个3ˊ3的空洞率为5的空洞卷积;将4个分支的输出在通道维度进行拼接,最后通过最大池化下采样得到额外网络输出;使用主干网络VGG16的conv4_3、conv5_3、fc7以及额外网络的输出作为小目标锚框精细模块的4个不同尺度的输出。
< ...【技术特征摘要】
1.一种基于改进refinedet的红外小目标检测方法,其特征在于,采用单阶段和两阶段结合的检测器refinedet,输入图像先通过小目标锚框精细模块获得精细的候选锚框以及特征图,再将获得的特征图输入到特征注意传输连接模块进行特征融合,最后将融合后的特征和精细的候选锚框输入到小目标检测模块进行检测,得到最后的检测结果;
2.根据权利要求1所述的红外小目标检测方法,其特征在于,步骤s101所使用的主干网络是vgg16,额外网络由扩大感受野块和下采样构成;扩大感受野块使用4个具有不同数量卷积核的分支进行卷积,第一个分支没有卷积核,为恒等连接;第二个分支包含1个1ˊ1卷积和1个3ˊ3的空洞率为1的空洞卷积;第三个分支包含1个1ˊ1卷积和1个3ˊ3卷积以及1个3ˊ3的空洞率为3的空洞卷积;第四个分支包含1个1ˊ1卷积和2个3ˊ3卷积以及1个3ˊ3的空洞率为5的空洞卷积;将4个分支的...
【专利技术属性】
技术研发人员:孔令和,朱斌,葛威,吴世伟,刘伟,刘恒,
申请(专利权)人:苏州中析生物信息有限公司,
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。