基于软剪枝卷积神经网络的红外弱小目标检测方法技术

本发明专利技术公开了一种基于软剪枝卷积神经网络的红外弱小目标检测方法。本发明专利技术的具体步骤如下：对卷积神经网络中的卷积层进行小波变换，调整权重并进行通道剪枝；将原始训练集输入到修剪后的网络中，进行参数更新和迭代，直至损失函数收敛；对微调后的剪枝卷积神经网络进行软通道重构；再次输入训练集，更新网络参数，直至损失函数收敛；判断是否达到最大迭代次数，若否则重复前述步骤，若是则获取红外图像小目标检测结果。本发明专利技术通过结合信道重构与软剪枝过程，有效避免重要通道被错误修剪，能够在资源有限的平台上实现高效、准确的红外弱小目标检测。

【技术实现步骤摘要】

本专利技术属于图像处理，更进一步涉及计算机视觉和红外图像处理中的一种基于软剪枝卷积神经网络的红外弱小目标检测方法。本专利技术可用于在资源有限的平台上检测复杂背景下红外图像中的弱小目标。

技术介绍

1、目前，对复杂背景下检测红外图像中的弱小目标主要是利用深度学习方法，该方法在检测红外弱小目标的过程中需要大量计算和储存资源。在资源有限的平台上难以直接部署这些模型。传统的模型压缩方法由于红外图像的低信噪比等特点无法直接运用于红外目标检测，有必要探索一种轻量级网络体系架构以实现高效的红外小目标检测。

2、昆明理工大学在其申请的专利文献“一种精细尺度嵌入的轻量级红外实时检测方法与系统”(专利申请号202210073729.6，申请公布号cn 114973306 a)中公开了一种精细尺度嵌入的轻量级红外实时检测方法。该方法实现的具体步骤是，第一步，对获取的红外图像数据集进行剔除和行人姿态扩充，并进行标注；第二步，采用k-means+算法对红外行人数据集进行聚类分析，预置月标检测模型候选框参数；第三步，在yolov4-tiny网络基础上嵌入红外行人目标精细尺本文档来自技高网...

【技术保护点】

1.一种基于软剪枝卷积神经网络的红外弱小目标检测方法，其特征在于，利用小波稀疏约束的小波通道剪枝策略评估通道重要性，将其中不重要卷积层的权重驱动为零，实现小波通道剪枝；对微调后的剪枝卷积神经网络进行软通道重建，动态保留最高检测精度的卷积层的参数；该检测方法的步骤包括如下：

2.根据权利要求1所述的基于软剪枝卷积神经网络的红外弱小目标检测方法，其特征在于，步骤1中所述小波通道剪枝的步骤如下：

3.根据权利要求1所述的基于软剪枝卷积神经网络的红外弱小目标检测方法，其特征在于，步骤2中所述的训练集指的是，选取至少500张红外图像样本，每张红外图像样本的分辨率均为512×...

【技术特征摘要】

1.一种基于软剪枝卷积神经网络的红外弱小目标检测方法，其特征在于，利用小波稀疏约束的小波通道剪枝策略评估通道重要性，将其中不重要卷积层的权重驱动为零，实现小波通道剪枝；对微调后的剪枝卷积神经网络进行软通道重建，动态保留最高检测精度的卷积层的参数；该检测方法的步骤包括如下：

2.根据权利要求1所述的基于软剪枝卷积神经网络的红外弱小目标检测方法，其特征在于，步骤1中所述小波通道剪枝的步骤如下：

3.根据权利要求1所述的基于软剪枝卷积神经网络的红外弱小目标检测方法，其特征在于，步骤2中所述的训练集指的是，选取至少500张红外图像样本，每张红外图像样本的分辨率均为512×512，每张红外图像样本至少包含一个...

【专利技术属性】
技术研发人员：张铭津，常伟华，杨瀚迪，郭杰，李云松，高新波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：