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！

摘要：本发明涉及水下目标检测技术领域，公开了一种关注不变信息的跨域水下目标检测方法，通过构造域不变频率注意力模块在频域空间利用注意力机制来增强水下环境变化中的不变因素并过滤掉变化因素，通过构造多尺度图像级特征对齐模块，以增强模型的特征提取能力，并通过目标检测损失、适应损失和多尺度对齐损失的协作，重点关注不断变化的水下环境中的不变信息，以提升模型的泛化能力，本发明的FIOD‑VUE模型包括FIA模块，在频域中自主区分DIF和DVF，这解决了传统水下物体检测方法中长期存在的弱泛化问题；本方法还引入了MIFA模块，它从图像级别的角度解决了背景颜色失真的问题。

主权项：1.一种关注不变信息的跨域水下目标检测方法，其特征在于：具体步骤如下：S1：输入图像通过域不变频率注意力模块得到强化后的图像；域不变频率注意力模块的构造方式如下：S11：应用离散余弦变换将图像信号从RGB空间转移到频率空间，给定空间域中的图像信号Xxs,ys，图像高度为Hs，宽度为Ws；对于每个图像分别对每个通道应用独立的离散余弦变换，得到无论该图像信号X来自源域还是目标域，其中t表示图像在本批次中的位置；S12：利用空间注意力来提取频率特征掩模，指导模型自适应地区分域不变频率和域变量频率；用于学习领域不变信息的频率注意机制，其公式描述如下： 其中表示逐元素乘法，M·是空间注意力模块学习到的空间掩模，分辨率为HS×WS×3，表示如下： 其中AvgPool和MaxPool表示整个通道上的平均池化和最大池化特征，[…]表示聚合操作，Conv表示滤波器大小为[…]的卷积，σ代表sigmoid函数；S13：通过逆离散余弦变换将频率空间特征调制恢复到原始空间域以获得Xenh，该变换可以表示为： S2：使用ResNet101作为特征提取网络，从输入图像和强化图像中提取到两个特征图，合并后的特征图输入到特征金字塔FPN中进行从深层到浅层的多尺度融合，再将融合特征图输入到建议网络RPN，以获得候选对象区域；S3：在检测阶段，级联RCNN使用级联检测器，每个检测器包含ROIAlign、全连接层、分类得分和边界回归，通过ROIAlign将候选对象区域映射到相同大小的候选框，通过全连接层后输出该区域的分类得分和边界回归，在检测过程中，通过前一个检测器输出的边界回归对候选对象区域进行重新采样，逐步提高IOU阈值得到新的分类分数和边界回归；S4：多尺度图像级特征对齐模块在FPN中的各个特征图上实现，域对抗性训练通过每个对抗域分类器子模块中的GRL层实现，该层在传播过程中自动翻转梯度，以实现骨干网络获得域差异减少的域混淆特征；多尺度图像级特征对齐模块由不同卷积块内的对抗域分类器子模块组成，其构造方法如下：S41：定义域分类损失，构造域分类器，第l个块的域分类器表示为Dl，用于预测的域标签，域分类的对抗性损失写为： 其中H表示域分类器的假设空间，W是特征提取器网络，表示第l个域分类器的域分类损失；S42：进一步应用一致性正则化损失Lconsistency，其定义如下所示： 其中和表示特征图中xF,yF位置处第m1和第m2个卷积块的域分类器的输出，||·||表示L2距离，|I|表示特征图中激活的总数，是所有无序卷积块对的总和；S5：构造总目标损失函数，训练网络得到最终的目标的检测结果；损失函数的构建方法为：损失函数的总体目标是检测损失和域分类损失的总和：L＝Ldet+λ1LD+λ2Lconsistency6λ1,λ2是域分类损失和多尺度对齐损失的权重因子，检测损失表示为Ldet，它包含区域提议网络的损失以及最终的分类和定位错误；LD为域分类损失的总和，Lconsistency对应于式5中定义的一致性正则化项。

全文数据：

权利要求：

百度查询： 江苏海洋大学 蓝湾海洋资源开发技术创新中心 一种关注不变信息的跨域水下目标检测方法