【技术实现步骤摘要】
本专利技术涉及深度学习和目标识别，具体为一种红外弱小目标识别方法。
技术介绍
1、基于卷积神经网络的深度学习方法已经广泛应用于红外弱小目标识别领域，但针对网络深层中弱小目标信息容易丢失问题，现有方法并没有很好地解决。传统方法有基于滤波的方法、基于局部对比度的方法和基于低秩的方法。但是这些传统方法严重依赖手工制作的功能。考虑到真实场景的特征(如目标大小、目标形状、信杂比和杂波背景)变化很大，很难使用手工制作的特征和固定的超参数来处理这些变化。基于卷积神经网络的方法能够以数据驱动的方式学习红外弱小目标的特征。虽然最近基于卷积神经网络的算法取得了较好的效果，大多数的算法只微调这些网络为通用对象设计。由于红外弱小目标的尺寸远小于一般目标，直接应用这些方法进行红外弱小目标识别，容易导致深层弱小目标的丢失。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种红外弱小目标识别方法，解决了上述
技术介绍
中所提出的问题。
3、(二)技术方案
4、本专利技术为了实现上述目的具体采用以下技术方案：一种红外弱小目标识别方法，包括特征融合模块、注意力模块、特征金字塔模块和八连通邻域聚类模块，包括如下步骤，
5、步骤1：将单帧红外弱小目标图像输入到特征融合模块，提取高层和低层的特征，实现多层次的特征融合；
6、步骤2：将特征融合模块中的高低层特征信息输入到注意力模块(scse模块)，通过学习一组权重，对不同尺度的特征进
7、步骤3：将增强后的特征输入到特征金字塔模块，对高低层特征融合，生成鲁棒的特征向量；
8、步骤4：将特征金字塔模块中的特征向量输入到八连通邻域聚类模块，将属于同一目标的像素聚集在一起，计算每个目标的中心；
9、步骤5：利用dice_loss和bce结合损失函数计算预测和真值之间的损失，提高模型的性能。
10、进一步地，所述s1中在编码器和解码器子网络之间的路径上施加了多个结点，所有这些中间结点彼此紧密相连，形成一个嵌套形状的网络，每个结点都可以接收来自自身和相邻层的特征，从而实现多层特征的重复融合，因此，弱小目标可以保留深层的特征，由li,j表示的特征映射堆栈计算公式为:
11、li,j＝pmax(f(li-1,j))
12、li,j表示结点的输出，其中i是沿编码器的第i个下采样层，j是沿普通跳跃路径的密集块的第j个卷积层，当j＝0时，每个结点只接收来自密集普通跳跃连接的特征；
13、f(·)表示同一卷积块的多个级联卷积层，pmax(·)表示步长为2的最大池化；当j>0时，每个结点接收到密集普通跳跃连接和嵌套双向交互跳跃连接三个方向的输出，以li,j表示的特征映射堆栈生成为：
14、
15、u(·)表示上采样层，[·，·]表示连接层。
16、进一步地，所述s2中scse模块结合sse模块和cse模块，同时对空间维度和通道维度进行信息整合增强，将两者的特征结果沿着通道维度进行相加，结果和原始特征图维度相同。
17、进一步地，所述s3中，首先特征金字塔融合模块聚合得到的多层特征将多层特征变成相同大小的然后将具有丰富空间和轮廓信息的浅层特征与具有丰富语义信息的深层特征进行连接，生成全局鲁棒特征映射，公式如下：
18、
19、进一步地，所述s4中八连通邻域聚类模块将属于同一目标的像素聚集在一起，计算每个目标的中心，如果特征图g中任意两个像素(m0,n0)，(m1,n1)在它们的8个邻域中有相交区域，公式如下：
20、
21、公式中n8(m0,n0)和n8(m1,n1)表示(m0,n0)和(m1,n1)的八邻域像素，(m0,n0)和(m1,n1)被判定为相邻像素，然后，如果这两个像素具有相同的值(0或1)，公式如下：
22、
23、公式中g(m0,n0)和g(m1,n1)表示像素(m0,n0)和(m1,n1)的灰度值，则认为这两个像素处于连通区域；连通区域中的像素属于相同的目标；一旦确定了图像中的所有目标，就可以根据它们的坐标计算中心。
24、进一步地，所述s5中bce-dice loss是将dice loss和标准的二元交叉熵(binarycross-entropy,bce)损失结合在一起的一种损失函数，通常用于分割模型中，公式如下：
25、
26、bce-dice loss的优点是结合了两种不同的损失函数，通过bce损失函数可以综合考虑像素级别的分类准确性，通过dice loss损失函数考虑分割结果的相似性。bce损失在训练初期具有较好的稳定性，有助于加快模型的收敛速度，而dice loss则更关注像素级别的相似性，可以促使模型生成更平滑和连续的分割结果。
27、(三)有益效果
28、与现有技术相比，本专利技术提供了一种红外弱小目标识别方法，具备以下有益效果：
29、本专利技术，通过注意力模块增强弱小目标特征信息，利用损失函数计算预测和真值之间的损失。交并比提高了1.81，检测率提高了1.51。
本文档来自技高网...【技术保护点】
1.一种红外弱小目标识别方法，包括特征融合模块、注意力模块、特征金字塔模块和八连通邻域聚类模块，其特征在于：包括如下步骤，
2.根据权利要求1所述的一种红外弱小目标识别方法，其特征在于：所述S1中在编码器和解码器子网络之间的路径上施加了多个结点，所有这些中间结点彼此紧密相连，形成一个嵌套形状的网络，每个结点都可以接收来自自身和相邻层的特征，从而实现多层特征的重复融合，因此，弱小目标可以保留深层的特征，由Li,j表示的特征映射堆栈计算公式为:
3.根据权利要求1所述的一种红外弱小目标识别方法，其特征在于：所述S2中scSE模块结合sSE模块和cSE模块，同时对空间维度和通道维度进行信息整合增强，将两者的特征结果沿着通道维度进行相加，结果和原始特征图维度相同。
4.根据权利要求1所述的一种红外弱小目标识别方法，其特征在于：所述S3中，首先特征金字塔融合模块聚合得到的多层特征将多层特征变成相同大小的然后将具有丰富空间和轮廓信息的浅层特征与具有丰富语义信息的深层特征进行连接，生成全局鲁棒特征映射，公式如下：
5.根据权利要求1所述的一种红外
6.根据权利要求1所述的一种红外弱小目标识别方法，其特征在于：所述S5中BCE-DiceLoss是将Dice Loss和标准的二元交叉熵(Binary Cross-Entropy,BCE)损失结合在一起的一种损失函数，通常用于分割模型中，公式如下：
...【技术特征摘要】
1.一种红外弱小目标识别方法，包括特征融合模块、注意力模块、特征金字塔模块和八连通邻域聚类模块，其特征在于：包括如下步骤，
2.根据权利要求1所述的一种红外弱小目标识别方法，其特征在于：所述s1中在编码器和解码器子网络之间的路径上施加了多个结点，所有这些中间结点彼此紧密相连，形成一个嵌套形状的网络，每个结点都可以接收来自自身和相邻层的特征，从而实现多层特征的重复融合，因此，弱小目标可以保留深层的特征，由li,j表示的特征映射堆栈计算公式为:
3.根据权利要求1所述的一种红外弱小目标识别方法，其特征在于：所述s2中scse模块结合sse模块和cse模块，同时对空间维度和通道维度进行信息整合增强，将两者的特征结果沿着通道维度进行相加，结果和原始特征图维度相同。
4.根据权利要求1所述的一种红...
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。