买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中北大学

摘要：针对复杂背景下红外弱小目标检测鲁棒性较低的难题，本发明提出了一种可解释的多尺度红外弱小目标检测网络设计方法。本发明网络模型首先对输入红外源图像进行细节特征提取和目标增强，经过多个多尺度目标增强模块级联处理后得到低层细节特征和高层语义特征；然后利用全局目标响应结构对低层细节特征和高层语义特征进行上下文建模，获取真实目标像素长距离依赖；接着利用多层特征融合结构对低层细节特征、深层语义特征、局部特征及全局特征进行重复性、冗余性融合，在高维数据中完成了对真实目标和背景噪声的像素分类；最后通过多损失联合约束结构联合多个损失函数约束网络输出，使其接近真实目标数据分布，得到真实目标检测结果。

主权项：1.一种可解释的多尺度红外弱小目标检测网络设计方法，其特征在于：包括以下步骤：构建多尺度目标增强模块和多损失联合约束模块、引入全局目标响应模块、通道注意力模块和多层特征融合模块共同构成多尺度红外弱小目标检测网络；其中，多尺度目标增强模块将目标与邻域背景的灰度对比转化为网络结构对真实目标进行增强；全局目标响应模块打破卷积核固定感受野的限制，在全局范围内进行上下文建模；通道注意力模块采用通道注意力机制加强对卷积操作的通道依赖，使得网络模型选择性地增强信息量大的特征并抑制无用特征，多层特征融合模块融合源图像深层语义特征和浅层细节特征对目标进行解码；多损失联合约束模块联合损失函数对网络输出进行有效约束；通过上述模块的组合构成可解释的多尺度红外弱小目标检测网络，通过使用数据集进行多次迭代训练，且利用损失函数对网络输出进行有效约束，得到训练后的网络模型，将待检测的红外图像输入该网络模型即可输出包含真实目标的检测结果图像；多尺度目标增强模块包括特征提取和特征增强两部分，特征提取部分进行输入图像的浅层细节特征提取和深层语义信息提取，特征增强部分通过计算局部对比度增强弱小目标以保证特征提取过程真实目标不丢失并可始终至保持至解码器端，源图像经过多尺度目标增强模块实现对真实目标的增强和浅层与深层特征的提取；全局目标响应模块包括GCblock网络结构，对多尺度目标增强模块输出的特征图进行上下文建模，打破多尺度目标增强模块提取特征过程中卷积操作固定感受野的限制，对像素间的长距离依赖进行捕捉，聚合全局信息后对真实目标进行响应；通道注意力模块利用通道注意力机制对深层多尺度目标增强模块输出中的不同通道特征图设置不同权重，选择性增强信息量大的特征并抑制无用特征，加强网络模型对卷积操作的通道依赖，方便后续操作对有用特征融合和真实目标解码；多层特征融合模块对全局目标响应模块输出和通道注意力模块输出进行冗余性、反复性融合，结合源红外图像的浅层细节特征和深层语义特征对真实目标进行解码输出，MFF模块由RRDBNet网络结构组成，实现高级特征和低级特征间的渐进式交互，通过重复融合和增强很好地利用了小目标的上下文信息，保证弱小目标始终保持在特征层中，达到对目标、背景像素进行精准分类的目的；多损失联合约束模块联合softIoU_loss和focal_loss损失函数对多层特征融合模块的输出进行有效约束，通过对focal_loss损失函数设置不同的参数实现对网络输出低虚警率和低漏检率的约束，然后将低虚警率特征图和低漏检率特征图进行融合，得到最终网络输出；通过计算网络最终输出与标签图像的softIoU_loss损失函数值，提高网络模型轮廓描述性能；多尺度目标增强模块采用ResNet网络模型的特征提取块提取到特征图X′，再利用多尺度目标增强模块增强弱小目标：使用1×1卷积操作将特征提取模块得到的特征图X′通道数降为1，得到降维特征图X″，然后计算目标区域与邻域背景区域的灰度对比；灰度对比计算过程如下：首先对X″进行均值池化操作，得到池化特征图X″′s，池化直径为s，步长为1不改变特征图大小，然后对X″′s进行循环移位操作，移位方向θ，移位距离v，得到移位特征图X″′θ,v，采用不同的池化直径和移位距离计算不同尺度真实目标区域与局部邻域背景的对比度，然后对同一移位距离计算得到的对比度特征图组进行通道最小值池化操作，得到该移位距离对应的权重特征图Vs,对权重特征图Vs进行通道最大值池化和通道扩充操作，将扩充后的权重特征图与X′做点乘操作后再与X′做concat操作，得到MTE模块输出MTE_X；多层特征融合模块由RRDBNet模块构成，输入为全局目标响应模块的输出GTR_X与通道注意力模块的输出ChAtte_X，输出为MFF_X，MFF_X具体计算过程如下：其中，分别表示不同特征图对应权重，分别为0.5、0.8、0.2，可以达到最好的融合效果，MFFg表示多层特征融合操作，X为源红外图像；引用focal_loss损失函数对网络输出进行约束，focal_loss损失函数为：其中，y表示网络输出图像Y的像素值；y′表示标签图像Y′的像素值，代表背景像素和目标像素；α为平衡因子，γ为简单易分类样本权重调节因子，α＝0.8,γ＝2和α＝0.2,γ＝2时可以保证输出特征图具备低漏检率和低虚警率，因此同时选择两种不同的参数同时对网络输出进行约束，得到低漏检率特征图和低虚警率特征图，通过卷积操作将这两个特征图进行有效融合，得到像素分类更加正确的网络输出；同时，采用softIoU_loss损失函数对网络输出进行轮廓描述性能约束，总损失函数计算方式如下：其中，δ为激活函数tanh2+0.5；ε1、ε2、ε3为各损失函数对应的权重，目的是将各损失函数值调整到同一量级，分别为1，1，1000；Lflg、Lsfg分别表示focal_loss和softIoU_loss损失函数，FL_X1、FL_X2分别表示低漏检率特征图和低虚警率特征图，Y、Y′分别表示网络输出图像和标签图像。

全文数据：

权利要求：

百度查询： 中北大学 一种可解释的多尺度红外弱小目标检测网络设计方法