基于深度学习矩阵分解的红外小目标检测泛化性增强方法技术

本发明专利技术公开了一种基于深度学习矩阵分解的红外小目标检测泛化性增强方法。方法包括：构建特征矩阵分解模块及其优化损失函数；对红外小目标检测网络进行训练，网络的骨干网络输出的特征图输入特征矩阵分解模块中训练，网络的损失函数和优化损失函数共同作为整体损失函数，直至整体损失函数收敛训练完成；将待目标检测的红外图像输入网络中，处理后输出泛化性增强后的目标检测结果。本发明专利技术方法将红外小目标检测视作低秩矩阵与稀疏矩阵的分解问题，并结合深度学习进行求解与优化，完成红外小目标的检测，可有效提升现有的基于深度学习的红外小目标检测的泛化性，并在应用本方法后，在不同的数据域上都具有较好的红外小目标检测效果。

【技术实现步骤摘要】

本专利技术涉及了一种红外小目标检测泛化性增强方法，涉及图像处理领域，具体涉及一种基于深度学习矩阵分解的红外小目标检测泛化性增强方法。

技术介绍

1、小目标探测广泛应用于海洋救援、军事监视、航空攻防等领域。由于可见光图像对光照条件的敏感性，红外小目标检测引起了人们的极大兴趣。然而，红外小目标往往是点状的，缺乏纹理和结构信息，容易被复杂的背景杂波遮挡。因此，红外小目标的高精度检测仍然是一个挑战。

2、以往应对这一挑战的工作大致可以分为传统方法和基于深度学习的方法。传统方法，如基于过滤的方法、基于局部对比度的方法和基于低秩分解的方法等，由于依赖手工制作的特征，传统方法在复杂情况下往往无效。近年来，基于深度学习的方法取得了显著进展。然而，直接采用现有的流行检测器不能产生令人满意的性能。因此，目前针对红外小目标检测的问题的方法首先设计了一个基于u-net的网络，并在红外小目标检测方面取得了突破，这推广了更多基于u-net方法，这些经过良好优化的方法获得了令人满意的性能。

3、然而，当前的工作在训练的数据集上表现良好，但在未训练过的数据集中性能本文档来自技高网...

【技术保护点】

1.一种基于深度学习矩阵分解的红外小目标检测泛化性增强方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习矩阵分解的红外小目标检测泛化性增强方法，其特征在于：所述的步骤S1中，特征矩阵分解模块包括背景低秩矩阵构建头和目标稀疏矩阵构建头，背景低秩矩阵构建头和目标稀疏矩阵构建头的结构相同，均包括依次连接的上采样或下采样操作、卷积层和矩阵尺寸变换操作。

3.根据权利要求1所述的基于深度学习矩阵分解的红外小目标检测泛化性增强方法，其特征在于：所述的步骤S1中，特征矩阵分解模块的优化损失函数L具体如下：

4.根据权利要求1所述的基于深度学习矩阵分解的红...

【技术特征摘要】

1.一种基于深度学习矩阵分解的红外小目标检测泛化性增强方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习矩阵分解的红外小目标检测泛化性增强方法，其特征在于：所述的步骤s1中，特征矩阵分解模块包括背景低秩矩阵构建头和目标稀疏矩阵构建头，背景低秩矩阵构建头和目标稀疏矩阵构建头的结构相同，均包括依次连接的上采样或下采样操作、卷积层和矩阵尺寸变换操作。

3.根据权利要求1所述的基于深度学习矩阵分解的红外小目标检测泛化性增强方法，其特征在于：所述的步骤s1中，特征矩阵分解模块的优化损失函数l具体如下：

4.根据权利要求1所述的基于深度学习矩阵分解的红外小目标检测泛化性增强方法，其特征...

【专利技术属性】
技术研发人员：张笑寒，俞贝楠，曹思源，沈会良，
申请(专利权)人：浙江大学金华研究院，
类型：发明
国别省市：