【技術實現(xiàn)步驟摘要】
本專利技術涉及一種基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，屬于計算機視覺。
技術介紹
1、偽裝目標是指采用各種手段和技術，使目標在其周圍環(huán)境中難以被察覺或辨別的對象。這種偽裝可以涉及多個方面，包括顏色、形狀、紋理等，以使目標融入其所在的環(huán)境，難以被肉眼或傳感器系統(tǒng)檢測到。偽裝目標的設計和實現(xiàn)可能是為了實現(xiàn)隱蔽、欺騙、安全等目的。具體來說：在軍事領域，偽裝目標可以是軍事裝備、車輛、飛行器等，通過采用特殊的涂裝、材料或結構設計，使其在戰(zhàn)場環(huán)境中更難被敵方偵察或監(jiān)測，從而提高生存和執(zhí)行任務的機會；在生物學領域，一些動物也采用偽裝來逃避捕食者或更有效地捕食獵物，如有的動物利用身體顏色和紋理能夠與周圍的環(huán)境相似的特點，使其在植被中難以察覺，避免被天敵發(fā)現(xiàn)。
2、偽裝目標檢測與分割是計算機視覺、圖像處理領域的重要研究課題，這是一種新興的視覺檢測任務。近年來，基于深度學習的偽裝目標檢測是近年來在計算機視覺領域取得顯著進展的研究方向。深度學習方法通過使用深度神經(jīng)網(wǎng)絡，特別是卷積神經(jīng)網(wǎng)絡(cnn)，能夠從大規(guī)模數(shù)據(jù)中學習復雜的特征表示，從而更好地解決偽裝目標檢測面臨的挑戰(zhàn)。基于深度學習方法的目標檢測的任務是在圖像或視頻中定位并標識出圖像中存在的物體，通常用邊界框來描述目標的位置。基于深度學習方法的語義分割的任務是將圖像中的每個像素分配給預定義的語義類別，從而實現(xiàn)對圖像的像素級別理解。憑借深度學習強大的學習能力，基于深度學習對偽裝目標檢測與分割的研究，在計算機視覺領域也受到越來越多的關注。
3、但目前針對偽裝目標檢
技術實現(xiàn)思路
1、本專利技術要解決的技術問題是提供一種基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，在目標與背景具有高度視覺相似性或目標被遮擋情況下，傳統(tǒng)目標檢測網(wǎng)絡存在對偽裝或遮擋目標特征提取不確定、不充分的問題。
2、本專利技術的技術方案是：一種基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，具體步驟為：
3、step1：將resnet骨干網(wǎng)絡提取到的5層不同尺度特征圖中的第2層和第5層特征圖進行融合，利用邊緣提取模塊提取具有全局語義信息的目標邊緣特征；
4、step2：將提取到的目標邊緣特征作為特征提取模塊的輸入，引導提取第2層到第5層不同大小和尺度特征圖中的目標關鍵特征；
5、step3：通過三個上下文信息聚合模塊從目標關鍵特征中的高層級到低層級依次融合得到三種不同大小和尺度的目標特征，同時得到三種不同大小和尺度的像素級掩碼；
6、step4：用與第2層特征圖大小和尺度相同的像素級掩碼增強該層級的目標特征，輸出目標的類別和檢測框的坐標，同時優(yōu)化模型訓練，實現(xiàn)偽裝目標檢測。
7、所述step1具體為：
8、利用resnet骨干網(wǎng)絡提取得到5層不同尺度的特征圖fi(i＝1，2，3，4，5)，將第5層特征圖f5經(jīng)過1×1卷積和上采樣操作得到和f2特征圖大小尺度相同的特征圖并與f2進行拼接融合，將拼接融合后的特征圖再依次經(jīng)過3×3卷積、1×1卷積和sigmoid函數(shù)得到具有全局語義信息的目標邊緣特征fe。
9、所述step2具體為：
10、step2.1：將提取到的目標邊緣特征fe經(jīng)過下采樣和sigmoid函數(shù)后與f5特征圖逐元素相乘再相加，利用3×3卷積操作提取目標初級特征；
11、step2.2：通過本地通道注意機制來跨通道交互和挖掘目標初級特征中通道之間的目標關鍵特征f5a；
12、step2.3：將目標關鍵特征圖f5a上采樣后與第4層特征圖逐元素相乘再相加，依次經(jīng)過3×3卷積操作和本地通道注意機制得到f4a，重復此過程分別得到第i層特征圖對應的目標關鍵特征fia(i＝2，3，4，5)。
13、所述step2.2具體為：
14、step2.2.1：將目標初級特征依次經(jīng)過全局平均池化、一維卷積和sigmoid函數(shù)得到本地注意力權重；
15、step2.2.2：本地注意力權重與目標初級特征逐元素相乘后經(jīng)過3×3卷積操作得到目標關鍵特征fia(i＝2，3，4，5)。
16、所述step3中上下文信息聚合模塊具體為：
17、s1：拼接融合兩個輸入的特征圖，經(jīng)過1×1卷積得到特征圖w，并將其按通道分成四部分特征圖nj(j＝1，2，3，4)。
18、s2：將n1與n2逐元素相加后經(jīng)過擴張率為1的擴張卷積得到特征圖n1d；
19、s3：將n2、n1d與n3逐元素相加后經(jīng)過擴張率為2的擴張卷積得到特征圖n2d；
20、s4：將n3、n2d與n4逐元素相加后經(jīng)過擴張率為3的擴張卷積得到特征圖n3d；
21、s5：將n4與n3d逐元素相加后經(jīng)過擴張率為4的擴張卷積得到特征圖n4d；
22、s6：將n1d、n2d、n3d、n4d依次經(jīng)過拼接融合和1×1卷積后與特征圖w逐元素相加并通過3×3卷積得到特征圖fic(i＝2，3，4)。
23、所述step3具體為：
24、step3.1：將f5a與f4a經(jīng)過上下文信息聚合模塊得到f4c特征圖，將f4c與f3a經(jīng)過上下文信息聚合模塊得到f3c特征圖，將f3c與f2a經(jīng)過上下文信息聚合模塊得到f2c特征圖；
25、step3.2：將fic(i＝2，3，4)特征圖經(jīng)過sigmoid函數(shù)得到三種不同大小和尺度的像素級掩碼。
26、所述step4中用與第2層特征圖大小和尺度相同的像素級掩碼增強該層級的目標特征具體為：
27、將f2c特征圖對應的像素級掩碼與f2a特征圖逐元素相乘相加后經(jīng)過由3×3卷積、池化層、全連接層構成的檢測頭輸出目標的類別和檢測框的坐標。
28、所述step4中優(yōu)化模型訓練具體為：
29、將step1中的目標邊緣特征經(jīng)過sigmoid函數(shù)后與邊緣標簽計算損失le，將step3中的三種不同大小和尺度的像素級掩碼與掩碼標簽計算損失lm，將step4中的目標的類別和檢測框坐標與目標位置標簽計算損失ldet，總損失l為：
30、l＝λle+lm+ldet
31、其中，le，lm，ldet分別代表邊緣、掩碼和目標檢測損失，λ為權值參數(shù)，具體地，使用二值交叉熵損失和smoothl1損失作為目標檢測的分類損失和邊界框回歸損失，使用加權二值交叉熵損失和交并比損失作為三種不同大本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于：
2.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述Step1具體為：
3.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述Step2具體為：
4.根據(jù)權利要求3所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述Step2.2具體為：
5.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述上下文信息聚合模塊具體為：
6.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述Step3具體為：
7.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述用與第2層特征圖大小和尺度相同的像素級掩碼增強該層級的目標特征具體為：
8.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述優(yōu)化模型訓練具體為：p>...
【技術特征摘要】
1.一種基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于：
2.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述step1具體為：
3.根據(jù)權利要求1所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述step2具體為：
4.根據(jù)權利要求3所述的基于邊緣先驗引導像素級掩碼輔助偽裝目標檢測的方法，其特征在于，所述step2.2具體為：
5.根據(jù)權利要求1所述的基于邊緣先驗引導像...
【專利技術屬性】
技術研發(fā)人員：王青旺，瞿信，沈韜，周立垚，靳鵬程，
申請(專利權)人：昆明理工大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。