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：本发明属于目标检测技术领域，尤其为一种基于图像退化的红外弱小目标检测自监督学习方法，具体包括如下步骤：S1，准备数据集：准备六种数据集，数据集一、数据集二、数据集三和数据集六用于伪样本生成。本发明是基于图像退化的红外弱小目标检测自监督学习方法，构建了一种融合模糊退化、亮度对比度退化和尺度退化方式新型退化模型，设计了联合全局目标约束、局部目标约束和局部灰度级约束的在线网格化高阶约束伪样本生成模型，提出了一种新的位置‑置信度评价指标，设计了简单高效的神经网络，闭合了完整的网络自监督训练框架致使网络成功收敛，提高了弱小目标的检测精度和检测速度，解决了计算复杂度过高和数据获取困难等难题。

主权项：1.一种基于图像退化的红外弱小目标检测自监督学习方法，其特征在于：该方法具体包括如下步骤：S1，准备数据集：准备六种数据集，数据集一、数据集二、数据集三和数据集六用于伪样本生成；数据集四和数据集五用于最终的模型测试；S2，获取红外目标及背景样本：通过模拟生成法和阈值裁剪法获得目标正样本用于伪样本生成；通过混合S1步骤中的公开红外背景数据集获得背景负样本用于伪样本生成；S3，构建图像退化模型：图像退化模型包括目标退化过程和背景退化过程；将步骤S2获得的目标正样本和背景负样本输入图像退化模型中得到退化后的样本库；S4，构建在线伪样本生成模型：在线伪样本生成模型主要包括全局目标约束、局部目标约束和局部灰度级约束；将S3得到的退化后的样本库输入伪样本生成模型中生成红外弱小目标伪样本图像和位置-置信度标签数据集；S5，搭建自监督学习框架：自监督学习框架主要包括神经网络的设计和训练策略的设计；S6，损失函数的选择与评价指标的设计：选择合适的损失函数核并设计位置-置信度损失；损失函数核为均方误差函数MSE；设计评价指标评价检测模型的性能和精度，包括设计位置偏差率指标，适配检测率和虚警率指标；S7，模型训练与微调：训练红外弱小目标检测模型，将步骤S4中得到的伪样本图像和位置-置信度标签在步骤S5搭建的自监督学习框架中进行训练；使用步骤S1中准备的真实数据集进行模型微调，优化模型参数，进一步提高弱小目标检测的性能；S8，模型保存与测试：待步骤S7训练并微调完成后，固化微调后的网络参数，保存最终弱小目标检测模型；使用步骤S1中剩余的真实数据集测试模型，可直接将真实红外图像输入训练好的端到端模型中，得到标注有检测框和位置信息的结果图像。

全文数据：

权利要求：

百度查询： 长春理工大学 一种基于图像退化的红外弱小目标检测自监督学习方法