【技术实现步骤摘要】
本专利技术涉及图像处理，更具体的说是涉及一种基于高斯注意力的伪装目标检测方法。
技术介绍
1、伪装目标检测是一项新兴的视觉检测任务，其目的是精确且高效地检测出“完美”嵌入周围环境中的伪装目标。同时，其难点也在于如何区分出极度相似的背景与伪装目标。
2、目前的伪装目标检测方法绝大部分都是使用卷积神经网络来进行伪装目标特征的提取，但卷积神经网络在特征提取过程中会损失结构信息，而且卷积神经网络的实际感受野远小于理论感受野，因此基于卷积神经网络的伪装目标检测模型通常不能充分地捕获全局上下文信息。并且目前的伪装目标检测方法并没有很好的兼顾伪装目标的局部信息与全局结构。
3、基于高斯注意力的伪装目标检测方法，可以避免上述由卷积神经网络进行特征提取以及无法兼顾局部与全局带来的问题。
4、因此，如何基于深度学习方法区分极度相似的背景与伪装目标是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于高斯注意力的伪装目标检测方法，该方法可实现当面对伪装目标检测任务时，准确区分出伪装目标及背景。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于高斯注意力的伪装目标检测方法，包括如下步骤：
4、s1、将数据集图像输入基于高斯注意力的多尺度特征提取网络中，提取出更具有伪装目标局部结构信息的多尺度特征；
5、s2、将提取到的多尺度特征输入图卷积特征增强网络进行特征增强，获得增强特征
6、s3、将增强特征输入到层级的特征融合模块，积累难以察觉的伪装目标信息，获得融合特征；
7、s4、将融合特征输入到预测模块，得到预测值；
8、s5、将预测值输入到改进的损失函数计算模块，计算预测值与真值之间的损失，根据损失训练预测模块；
9、s6：获取待检测图像输入训练好的预测模块，获得伪装目标分割图像。
10、优选的，多尺度特征提取网络包括分块模块、线性嵌入层、第一层级、第二层级、第三层级和第四层级；进行多尺度特征提取的过程为：
11、s11：将数据集图像输入分块模块进行分块，获得图像块；每4x4相邻的像素为一个图像块，在数据集图像通道方向展开；
12、s12：图像块通过线性嵌入层对每个像素的通道数据做线性变换，获得特征块；
13、s13：特征块输入第一层级进行高斯注意力计算，获得输出特征
14、s14：将输出特征输入第二层级，依次进行下采样和高斯注意力计算，获得输出特征
15、s15：将输出特征输入第三层级，依次进行下采样和高斯注意力计算，获得输出特征
16、s16：将输出特征输入第四层级，依次进行下采样和高斯注意力计算，获得输出特征
17、优选的，第一层级包括2个高斯注意力模块；每个高斯注意力模块包括2个层归一化层、1个高斯注意力层和1个全连接层；每个高斯注意力模块均对特征块进行高斯注意力计算，获得一组输出特征具体过程为：
18、s131：特征块输入层归一化层，获得归一化特征；
19、s132：将归一化特征输入高斯注意力层，进行高斯注意力计算，获得注意力后特征；
20、s133：将注意力后特征和特征块进行拼接获得第一特征；
21、s134：拼接特征依次经过层归一化层和全连接层，获得第二特征；
22、s135：对第一特征和第二特征进行拼接，获得输出特征
23、优选的，s132中对归一化特征进行高斯注意力计算的具体过程为：
24、s1321：根据归一化特征和三个参数矩阵wq，wk，wv，计算获得q，k，v三个矩阵；表达式为：
25、q＝xwq，k＝xwk,v＝xwv；
26、其中，x表示归一化特征；
27、s1322：计算归一化特征中每个空间位置的高斯先验权重g；表达式为：
28、
29、其中，(x，y)表示空间位置坐标；σ表示标准偏差；t表示归一化特征的维度；
30、s1323：根据q，k，v三个矩阵和高斯先验权重，经过softmax函数处理，获得注意力后特征；
31、矩阵q与矩阵k的转置做点积运算，点积运算结果除以设定的缩放系数后加上高斯先验权重，相加结果通过softmax函数处理后再与v矩阵做张量乘法，获得注意力后特征attention(q，k，v)；表达式为：
32、
33、其中，d表示多头注意力机制中每个头部的维度。
34、优选的，第二层级和第四层级分别包括1个下采样模块和2个高斯注意力模块，第三层级包括6个高斯注意力模块；第二层级、第三层级和第四层级进行高斯注意力计算的过程与第一层级相同。
35、优选的，s2中对特征进行增强的具体过程为：
36、s21：对输出特征输出特征输出特征和输出特征进行两两配对，将配对后的特征对进行归一化处理，获得待增强特征对；
37、s22：每对待增强特征对中的每个待增强特征通过两个线性投影函数处理，得到降维特征1与降维特征2，并将降维特征1和降维特征2拼接获得拼接特征；
38、s23：拼接特征通过线性投影函数处理，再采用softmax函数处理生成权重映射，根据权重映射采用逐元素乘法对降维特征1进行加权，对加权结果进行自适应平均池运算，获得处理后特征；
39、s24：将处理后特征与降维特征1进行矩阵乘积运算，对矩阵乘积结果采用softmax函数处理，获得注意力图ta；
40、s25：通过注意力图ta将降维特征2投影到图域中后输入到图卷积神经网络中，输出增强特征。
41、优选的，层级特征融合模块包括若干层聚合模块，s3的具体实现过程为：
42、s31：将每对待增强特征对对应的增强特征进行聚合，获得聚合特征集合；
43、s32：将聚合特征集合中的相邻聚合特征划分为一对聚合特征对，并传递到下一层的聚合模块；
44、s33：下一层的聚合模块对每对聚合特征对进行聚合，获得下一层的聚合特征集合，并返回s32，直至最后一层聚合模块完成聚合，获得一个融合特征。
45、优选的，聚合模块进行聚合的计算公式为：
46、fp＝cbr(cat(cbr(cat(fp-1，fi))，fi-1))
47、f′i＝up(cbr(fp))
48、其中，fi和fi-1表示当前层的相邻特征对；fp-1是上一层聚合模块输出的聚合特征；cat表示拼接操作；cbr表示卷积层、批量归一化层和激活函数，即依次经过卷积层、批量归一化层和激活函数处理。
49、优选的，改进损失函数表示为：
50、l＝lbcel+λlual+liou
51、
52、
53、
54、其中，li，j本文档来自技高网...
【技术保护点】
1.一种基于高斯注意力的伪装目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，多尺度特征提取网络包括分块模块、线性嵌入层、第一层级、第二层级、第三层级和第四层级；进行多尺度特征提取的过程为：
3.根据权利要求2所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，第一层级包括2个高斯注意力模块；每个高斯注意力模块包括2个层归一化层、1个高斯注意力层和1个全连接层；每个高斯注意力模块均对特征块进行高斯注意力计算，获得一组输出特征具体过程为：
4.根据权利要求3所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，S132中对归一化特征进行高斯注意力计算的具体过程为：
5.根据权利要求2所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，第二层级和第四层级分别包括1个下采样模块和2个高斯注意力模块，第三层级包括1个下采样模块和6个高斯注意力模块；第二层级、第三层级和第四层级进行高斯注意力计算的过程与第一层级相同。
6.根据权利要求2所述的一种基于高斯注
7.根据权利要求1所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，层级特征融合模块包括若干层聚合模块，S3的具体实现过程为：
8.根据权利要求1所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，改进损失函数计算模块表示为：
9.根据权利要求1所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，预测模块采用神经网络模块，包括2个1x1卷积层、批标准化层、ReLU激活函数和双线性上采样层。
...【技术特征摘要】
1.一种基于高斯注意力的伪装目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，多尺度特征提取网络包括分块模块、线性嵌入层、第一层级、第二层级、第三层级和第四层级；进行多尺度特征提取的过程为：
3.根据权利要求2所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，第一层级包括2个高斯注意力模块；每个高斯注意力模块包括2个层归一化层、1个高斯注意力层和1个全连接层；每个高斯注意力模块均对特征块进行高斯注意力计算，获得一组输出特征具体过程为：
4.根据权利要求3所述的一种基于高斯注意力的伪装目标检测方法，其特征在于，s132中对归一化特征进行高斯注意力计算的具体过程为：
5.根据权利要求2所述的一种基于高斯注意力的伪装目标检测方法，其...
【专利技术属性】
技术研发人员：周明亮，程思懿，黄月婷，陈宇，罗均，蒲华燕，向涛，房斌，
申请(专利权)人：重庆大学，
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。