本发明专利技术公开了一种基于多任务互促学习的红外小目标检测方法及系统，本方法通过多分支特征聚合模块来融合不同阶段以及不同感受野特征，实现对红外小目标更好的特征提取。通过混合下采样模块中的不同的池化操作，保留更多的互补信息，缓解红外小目标在下采样过程中的信息丢失。在层级特征融合模块中根据不同语义层信息对预测结果的相对重要性，对不同语义层信息进行自适应选取与融合，以实现更灵活与优良的特征融合效果。将预测结果分别输出检测头与分割头，利用边界框监督信息和分割掩码监督信息共同进行网络优化。
【技术实现步骤摘要】
本专利技术涉及红外小目标检测，特别是一种基于多任务互促学习的红外小目标检测方法及系统。
技术介绍
1、红外小目标检测由于其不受天气与光照条件的影响，被动的探测方式，被广泛应用于国防安全、海上监视、交通监控、精确制导等领域,是一种十分重要的探测手段。然而，探测过程中目标距离探测器的距离往往比较遥远，目标所处的背景复杂多变，导致了其目标微小、背景复杂，信噪比低的特性，为实现红外小目标的准确检测带来了挑战。
2、基于数据驱动的深度学习方法，相较于滤波或者人类视觉系统等传统方法而言，其具有更强的环境适应能力和特征提取能力，是当下红外小目标检测领域的研究热点。基于深度学习的方法大致可以分为两个范式，即：基于分割的范式以及基于检测的范式。基于分割范式的方法在像素级上区分目标和背景，更专注于像素级的结果。而基于检测范式的方法利用边界框的形式对目标进行显示，更为强调目标级的结果。
3、尽管两种方法都取得了良好的效果，但是这两种方法都仅利用了单一的监督信息，对监督信息的不充分利用，限制了检测器取得更为卓越的检测性能。
/>技术本文档来自技高网...
【技术保护点】
1.基于多任务互促学习的红外小目标检测方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述骨干网络包括多分支特征聚合模块和混合下采样模块；
3.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述多分支特征聚合模块按照以下步骤进行：
4.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述混合下采样模块按照以下步骤进行：
5.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述层级特征融合模块按照以下步骤进行：...
【技术特征摘要】
1.基于多任务互促学习的红外小目标检测方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述骨干网络包括多分支特征聚合模块和混合下采样模块；
3.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述多分支特征聚合模块按照以下步骤进行：
4.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述混合下采样模块按照以下步骤进行：
5.如权利要求1所述的基于多任务互促学习的红外小目标检测方法，其特征在于：所述层级特征融合模块按照以下步骤进行：
6.如权利要求1所述...
【专利技术属性】
技术研发人员：皮阳军，杨波，李奉倩，罗均，蒲华燕，周明亮，
申请(专利权)人：重庆大学，
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。