【技术实现步骤摘要】
本专利技术属于图像目标检测方法，具体涉及基于多维信息交叉增强的红外弱小目标检测方法。
技术介绍
1、红外弱小目标检测对于一些领域中应用至关重要，如海上救援、目标预警、地理调查等。传统的视觉测量方法由于严重依赖于手工制作的特征和先验知识导致其在现实世界的实际应用中存在性能不足。为应对这一挑战，近年来，深度学习等先进计算机视觉技术引入了新的可能解决方案。
2、深度学习模型，特别是卷积神经网络等，已经在图像识别和特征提取方面取得了显著的成果。如dnanet利用其提出密集嵌套交互模块在高级和低级特征之间建立连接，从而增强对小目标的检测[abc:attention with bilinear correlation for infraredsmall target detection[c]//2023ieee international conference on multimediaand expo(icme).0[2024-05-20].]；acm[ymmetric contextualmodulation for infrare...
【技术保护点】
1.基于多维信息交叉增强的红外弱小目标检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于多维信息交叉增强的红外弱小目标检测方法，其特征在于，所述步骤1中的数据集采用IRSTD-1K、NUAA-SIRST或NUDT-SIRST公开的数据集，将数据集按照8:2的比例随机划分为训练集和测试集，并利用随机水平和垂直翻转以及旋转操作进行数据增强。
3.根据权利要求1所述的基于多维信息交叉增强的红外弱小目标检测方法，其特征在于，所述步骤2中编码器包括多维互补Transformer模块和残差全维扩张卷积模块，使用多维互补Transfo...
【技术特征摘要】
1.基于多维信息交叉增强的红外弱小目标检测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于多维信息交叉增强的红外弱小目标检测方法，其特征在于，所述步骤1中的数据集采用irstd-1k、nuaa-sirst或nudt-sirst公开的数据集，将数据集按照8:2的比例随机划分为训练集和测试集，并利用随机水平和垂直翻转以及旋转操作进行数据增强。
3.根据权利要求1所述的基于多维信息交叉增强的红外弱小目标检测方法，其特征在于，所述步骤2中编码器包括多维互补transformer模块和残差全维扩张卷积模块，使用多维互补transformer模块对目标的局部特征和全局特征进行提取和残差全维扩张卷积模块在网络深层维持目标特征的存在，编码器，由3个多维互补transformer模块和1个残差全维扩张卷积模块组成，经过3个多维互补transformer模块和1个残差全维扩张卷积模块，会分别生成128x128、64x64、32x32和16x16的特征图。
4.根据权利要求3所述的基于多维信息交叉增强的红外弱小目标检测方法，其特征在于，所述步骤2中多维互补transformer模块在主分支上并行利用全维动态卷积沿着空间维度、输入通道维度、输出通道维度和卷积核内核维度进行特征的提取和交叉增强注意力模块得到的权重矩阵，之后利用矩阵乘法得到一张动态赋予目标不同权值的特征图；将所得的特征图与侧分支的输入进行元素的残差相加，补偿可能丢失的特征信息，最后再经过全维动态卷积，对所得到的特征图进行细化；交叉增强注意力模块的输入特征ik∈rc×1×w首先会被分为四个并行的特征分支b1-b4，对于特征分支b2∈rc×h×w和b2∈rc×h×w分别沿h和w维度采用进行全局平均池化得到方向特征b2∈rc×1×w和b3∈rc×h×1，之后将得到的特征通过矩阵乘法进行跨空间重建，然后通过卷积核大小为1×1，步长为1的卷积调整维度以捕获全局空间交互，再通过两个全连接层对特征b2和b3进行形状调整，生成最终的特征b2∈r1×w和b3∈rh×1；对于分支b1∈rc×h×w和b4∈rc×h×w，分别通过使用通道和空间重构卷积进行特征冗余信息的消除并增强信道表示，得到b1∈r1×h×w和b4∈r1×h×w，然后通过两个全连接层对特征b1...
【专利技术属性】
技术研发人员：成宽洪，马腾，吴钰博，庄启文，金海燕，王怀军，李军怀，
申请(专利权)人：西安理工大学，
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。