【技术实现步骤摘要】
本申请涉及图像处理和深度学习领域，主要涉及一种掩码引导的伪装目标图像生成方法。
技术介绍
1、伪装迷彩在军事装备和人员中得到了广泛的应用，这种伪装技术令区别目标和背景变得困难，为军事侦察带来了巨大的障碍。近年来，基于深度学习的伪装检测算法取得了较大的进展，这些方法通过分析海量伪装图像样本，挖掘图像内部伪装目标与背景环境的差异，将伪装目标以二值分割掩码的形式标注出来。同时，其端到端的结构为在移动侦察设备上部署提供了可能，有效提升了对伪装目标的检测精度和检测效率。取得了优于手工特征提取方法的表现。然而，基于深度学习的方法需要以庞大的训练样本作为支撑，在样本数量不足时，模型难以学习到足够的知识支撑其实现检测。而伪装样本的采集需要组织大量人员、在多种场景下分别进行伪装，取得图像样本并手动标注，带来了大量的时间和经济成本。因此，在本专利技术中我们将研究如何在有限的条件下获取更多迷彩伪装样本，从而以较小的代价提升伪装检测算法的性能。
2、近年来，生成模型在解决样本不足问题中取得了广泛的关注。生成模型学习样本的数据分布，并从学习到的分布中...
【技术保护点】
1.一种掩码引导的伪装目标图像生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：
3.根据权利要求1所述的方法，其特征在于：
4.根据权利要求1所述的方法，其特征在于：
5.根据权利要求4所述的方法，其特征在于，所述训练所述MGDiffusion扩散模型的训练过程的损失函数包括两个部分：扩散模型部分和伪装样本生成模型部分；
6.根据权利要求4所述的方法，其特征在于，所述伪装目标检测模型经过了预训练，在MGDiffusion训练过程中固定了权重，不会再随损失函数优化。
...
【技术特征摘要】
1.一种掩码引导的伪装目标图像生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：
3.根据权利要求1所述的方法，其特征在于：
4.根据权利要求1所述的方法，其特征在于：
5.根据权利要求4所述的方法，其特征在于，所述训练所述mgdiffusion扩散模型的训练过程的损失函数包括两个部分：扩散模型部分和伪装样本生成模型部分；
...
【专利技术属性】
技术研发人员：林连雷，高升，张宗伟，赵汉卿，于航懿，王俊凯，
申请(专利权)人：哈尔滨工业大学，
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。