【技术实现步骤摘要】
本申请涉及计算机视觉，特别涉及一种伪装目标检测网络优化方法、伪装目标检测方法、电子设备及存储介质。
技术介绍
1、伪装目标检测不同于传统的显著性目标检测，由于伪装对象往往通过伪装，使自身纹理，颜色等与周围环境极度相似而难以被发现，这也使得伪装目标检测的难度相较于传统目标检测更高。
2、近些年来，随着深度学习的发展，人们开始用基于深度学习的方法来完成伪装目标检测任务，然而，目前的算法或网络模型大多基于伪装目标检测的某个特性而提出，需要精心设计，网络模型较为复杂且鲁棒性较低。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种伪装目标检测网络优化方法，能够简化伪装目标检测网络的网络结构，提升伪装目标的检测性能。
2、本申请还提出一种伪装目标检测方法。
3、本申请还提出一种具有上述伪装目标检测网络优化方法和伪装目标检测方法的电子设备。
4、本申请还提出一种具有上述伪装目标检测网络优化方法和伪装目标检测方法的计算机可读存储介质。
5、根据本申请的第一方面实施例的伪装目标检测网络优化方法，所述方法包括以下步骤：
6、构建输入数据集，所述输入数据集包括原始图片及与所述原始图片对应的二值图片，对所述原始图片进行预处理，将预处理之后的所述原始图片分割为多个第一patch，将所述第一patch映射为第一token序列；
7、基于所述第一token序列进行位置编码后输入transfo
8、将所述第一特征向量输入transformer解码器，得到第二token序列，基于所述第二token序列生成第二patch；
9、根据所述第二patch生成恢复图片，将所述恢复图片经过通道压缩生成预测图片；
10、基于所述原始图片和所述恢复图片计算重建损失，基于所述预测图片和所述二值图片计算分割损失，基于所述重建损失和所述分割损失计算总损失；
11、根据所述总损失计算梯度并优化伪装目标检测网络参数。
12、根据本申请的一些实施例，所述对所述原始图片进行预处理，包括：
13、通过双线性插值方法将所述原始图片设置为预设大小；
14、对所述原始图片进行数据增广并与随机掩码矩阵相乘；
15、其中，所述数据增广包括随机水平翻转操作，所述随机掩码矩阵与所述原始图片大小相同。
16、根据本申请的一些实施例，所述基于所述第一token序列进行位置编码后输入transformer编码器，包括：
17、生成与所述第一token序列大小相同的位置向量；
18、将所述位置向量与所述第一token序列相加，得到位置编码序列；
19、随机删除预设数量的所述位置编码序列；
20、将剩余所述位置编码序列输入所述transformer编码器。
21、根据本申请的一些实施例，所述将所述第一特征向量输入transformer解码器，包括：
22、获取所述预设数量的掩码token；
23、将所述掩码token和所述第一特征向量一起输入transformer解码器；
24、其中，所述掩码token通过随机掩码矩阵生成。
25、根据本申请的一些实施例，所述基于所述原始图片和所述恢复图片计算重建损失，包括：
26、通过均方误差损失函数计算掩码patch与恢复的所述掩码patch之间的损失；
27、其中，所述掩码patch包括通过随机掩码矩阵掩去的patch。
28、根据本申请的一些实施例，所述基于所述预测图片和所述二值图片计算分割损失，包括：
29、根据所述伪装目标的边缘设置第一权重；
30、通过所述第一权重设置加权矩阵；
31、基于带加权的二值交叉熵损失函数和交并比损失函数计算所述预测图片和所述二值图片的分割损失；
32、其中，所述第一权重设置为所述预测图片的面积与所述伪装目标的面积的比值。
33、根据本申请的一些实施例，所述基于所述重建损失和所述分割损失计算总损失，包括：
34、通过第一算式计算所述总损失；
35、所述第一算式表示为：
36、ltotal＝s*lrecon+(1-s)*lseg，
37、其中，ltotal为总损失，s是超参数，lrecon为重建损失，lseg为分割损失。
38、根据本申请的第二方面实施例的一种伪装目标检测方法，所述方法包括：
39、获取原始图片，所述原始图片包括伪装目标；
40、将所述原始图片输入伪装目标检测网络，得到预测图片，所述预测图片包括所述伪装目标；
41、其中，所述伪装目标检测网络通过如上述第一方面实施例提供的伪装目标检测网络优化方法得到。
42、根据本申请的第三方面实施例的一种伪装目标检测网络优化装置，用于实现上述第一方面实施例所述的伪装目标检测网络优化方法，所述装置包括：
43、第一patch生成模块，用于构建输入数据集，所述输入数据集包括原始图片及与所述原始图片对应的二值图片，对所述原始图片进行预处理，将预处理之后的所述原始图片分割为多个第一patch，将所述第一patch映射为第一token序列；
44、第一特征向量生成模块，用于基于所述第一token序列进行位置编码后输入transformer编码器，得到第一特征向量；
45、第二patch生成模块，用于将所述第一特征向量输入transformer解码器，得到第二token序列，基于所述第二token序列生成第二patch；
46、预测图片生成模块，用于根据所述第二patch生成恢复图片，将所述恢复图片经过通道压缩生成预测图片；
47、损失函数计算模块，用于基于所述原始图片和所述恢复图片计算重建损失，基于所述预测图片和所述二值图片计算分割损失，基于所述重建损失和所述分割损失计算总损失；
48、梯度计算模块，用于根据所述总损失计算梯度并优化伪装目标检测网络参数。
49、根据本申请的第四方面实施例的一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面、第二方面实施例的方法的步骤。
50、根据本申请的第五方面实施例的一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被一个或多个处理器执行时能够实现如上述第一方面、第二方面实施例的方法的步骤。
51、根据本申请的第六方面实施例的一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时能够实现如上述第一方面、第二方面实施例的方法的步骤。
52、根据本申请本文档来自技高网...
【技术保护点】
1.一种伪装目标检测网络优化方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始图片进行预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一token序列进行位置编码后输入Transformer编码器，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述第一特征向量输入Transformer解码器，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述原始图片和所述恢复图片计算重建损失，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于所述预测图片和所述二值图片计算分割损失，包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述重建损失和所述分割损失计算总损失，包括：
8.一种伪装目标检测方法，其特征在于，所述方法包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7、8中任一项所述的方法。p>
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质包括存储的计算机程序；所述计算机程序在运行时控制所述计算机存储介质所在的设备执行如权利要求1至7、8中任一项所述的方法。
...【技术特征摘要】
1.一种伪装目标检测网络优化方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述原始图片进行预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一token序列进行位置编码后输入transformer编码器，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述第一特征向量输入transformer解码器，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述原始图片和所述恢复图片计算重建损失，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于...
【专利技术属性】
技术研发人员：余梓彤，郝超，叶启朗，苑凯深，刘鑫，
申请(专利权)人：大湾区大学筹，
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。