【技術實現步驟摘要】
本專利技術涉及一種重構檢測框架系統，更具體一點說，涉及一種基于傅里葉單像素成像系統的重構檢測框架系統，屬于光學成像領域。
技術介紹
1、目標檢測廣泛應用于機器人導航、智能視頻監控、工業檢測、水下探測等領域，是計算機視覺領域的熱門方向。由于傳統目標檢測的圖像來源來自陣列成像設備，在極端環境條件下面臨許多挑戰，如長距離環境下的光衰減、光散射效應以及觀察角度和深度的限制。因此，迫切需要探索新的成像技術來克服這些挑戰。
2、傅里葉單像素成像是一種利用無空間分辨率能力的單像素檢測器重建目標場景信息的高魯棒性成像技術。與傳統光學成像相比，傅里葉單像素成像具有抗噪聲能力強、光譜波段寬、非局部成像、成像范圍長等優點。因此，將目標檢測技術與傅里葉單像素成像相結合，具有在光學不友好環境下檢測目標的潛力，特別是在散射介質和遙感等大尺度動態場景下。然而，為了提高傅里葉單像素成像的速度，需要對目標場景進行欠采樣，這不可避免地會導致成像結果出現振鈴效應。此外，隨著采樣率的降低，重建結果的質量也會降低。所有的缺點都限制了傅里葉單像素成像后續的目標檢測任務。
3、近年來，基于深度學習的傅里葉單像素成像的重建算法在一定程度上緩解了成像質量與采樣率之間的矛盾，使得利用傅里葉單像素成像重建結果進行目標檢測成為可能。然而，在傅里葉單像素成像目標檢測任務中仍存在一些未解決的問題。首先，當前高質量的傅里葉單像素成像重建網絡中存在大量參數；將大參數重建網絡與目標檢測網絡相結合后，模型難以訓練和部署。此外，大多數重建方法優先生成視覺上令人滿意的圖像，忽
技術實現思路
1、為了解決上述現有技術問題，本專利技術提供具有可以增強欠采樣圖像的質量，提高目標檢測性能。此外，與其他重建和檢測相結合的方法相比，在檢測精度和模型效率方面更優，為單像素成像重構和檢測任務的結合提供了新的思路與研究方向等技術特點的一種基于傅里葉單像素成像系統的重構檢測框架系統。
2、為了實現上述目的，本專利技術是通過以下技術方案實現的：
3、一種基于傅里葉單像素成像系統的重構檢測框架系統，包括通信連接的圖像重建模塊、目標檢測模塊和聯合訓練策略模塊；
4、圖像重建模塊包括空間自適應的重建網絡，通過重建網絡從欠采樣圖像中提取特征用于傅里葉單像素成像重建，獲得傅里葉單像素成像重建結果；圖像重建模塊包括空間特征注意力模塊和自適應特征聚合模塊，重建網絡能夠在保證優異重建性能的同時，顯著降低了模型復雜度，從而降低了重建-檢測框架中強加的額外計算負擔；
5、將傅里葉單像素成像重建結果送入目標檢測模塊進行目標檢測，在檢測模塊中，選擇目標檢測網絡yolov5作為檢測模塊的基準模型，將目標檢測網絡yolov5中的快速空間金字塔池化模塊優化成混合快速空間金字塔池化模塊，以實現增強了對全局信息的提取克服低采樣時信息損失較多的問題；并在目標檢測模塊引入可變形卷積網絡以實現有效緩解固定卷積層無法充分捕捉形狀不規則物體的問題；
6、聯合訓練策略模塊利用檢測損失，通過反向傳播指導傅里葉單像素圖像重建網絡的訓練，強制重建網絡生成更適合檢測的圖像，以進一步提升低采樣率下目標檢測的最終性能。
7、優選的，重建網絡為7級編碼器-解碼器網絡，具有4層編碼器、3層解碼器的結構，重建網絡的每一層都包含若干個空間特征注意力，以使網絡能夠全面理解并有效利用空間信息進行傅里葉單像素圖像重建。
8、優選的，利用圖像重建模塊的重構階段：
9、步驟1)在編碼器中，將傅里葉單像素成像系統中獲取的圖像首先經歷一個步長為1的3×3卷積操作來調整通道，然后，通過空間特征注意力模塊和步長為2的3×3卷積操作，用于下采樣和特征提取，提取的特征隨后被用作解碼器的輸入；
10、步驟2)在解碼器中，特征通過像素洗牌1×1卷積操作和空間特征注意力模塊進行上采樣和重建，為避免信息丟失，編碼器中每個下采樣步驟的特征通過跳躍連接連接到相應的解碼器層；
11、步驟3)在解碼器結束時，使用步長為1的3×3卷積操作將特征調整為單通道；
12、最后，將逐像素添加到原始圖像中，得到圖形的重建結果，即重構圖像。
13、優選的，步驟2)中由于編碼器和解碼器中的特征在語義上不同，因此在解碼器的跳躍連接點處時使用自適應特征聚合模塊，通過自適應特征聚合模塊動態聚合不同層次特征之間的信息，過濾冗余信息。
14、優選的，目標檢測模塊的檢測階段：
15、步驟1)將重構圖像輸入檢測網絡，目標檢測網絡yolov5包括骨干網絡、頸部以及若干個檢測頭；
16、步驟2)在骨干網絡中，通過混合快速金字塔池化模塊能夠更加全面捕捉特征的全局和局部信息，混合快速金字塔池化模塊結合平均池化和最大池化，在特征提取時融合全局和局部信息，混合快速金字塔池化模塊在原有的最大池化分支基礎上引入了一個額外的平均池化分支，類似地連接三個平均池化層；
17、步驟3)在頸部中，引入可形變卷積以提高低采樣圖像中形變目標的處理能力；通過可形變卷積，動態調整其內核形狀以適應輸入特征圖中目標位置、大小和方向的變化的卷積操作。
18、優選的，聯合訓練策略模塊的聯合訓練策略：
19、步驟1)在重建階段，針對不同的采樣率訓練用于重建的網絡，訓練過程使用adam優化器進行迭代，進行100次迭代，批量大小設置為16，初始學習率為1×10-4，并采用余弦退火來調整學習率，在訓練過程中保存最佳模型；
20、步驟2)在檢測階段，將fpsi重建結果輸入檢測器進行訓練；使用adam優化器進行訓練，進行200次迭代，批量大小為16，學習率為1×10-2，在訓練過程中保存最佳模型；
21、步驟3)在聯合訓練階段，加載重建階段和檢測階段的權重，并同時訓練重建網絡和檢測網絡，通過檢測損失和重構損失一起調整各自的參數，通過統計各自的損失變化，以及每一輪過程中保存的結果圖來決定是否結束訓練。
22、優選的，核算基于傅里葉單像素成像系統的重構檢測框架系統的總損失如下，其中α和β均設為1：
23、l＝αlrec+βldet?(1)
24、在重建模塊中，損失函數主要由像素損失和感知損失組成，重建模塊損失如下所示，λ設為0.01：
25、lrec＝l1+λlper?(2)
26、像素損失l1表示為:
27、
28、其中n為圖像中的像素個數，ya為fpsi重建結果，y為原始圖像；
29、感知損失記為lper，表示為:
30、
31、其中，m表示vgg-19網絡的層數，φi表示vgg-19中用于計算損失的每一層；
32、在本文檔來自技高網...
【技術保護點】
1.一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：包括通信連接的圖像重建模塊、目標檢測模塊和聯合訓練策略模塊；
2.根據權利要求1所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：重建網絡為7級編碼器-解碼器網絡，具有4層編碼器、3層解碼器的結構，重建網絡的每一層都包含若干個空間特征注意力，以使網絡能夠全面理解并有效利用空間信息進行傅里葉單像素圖像重建。
3.根據權利要求1所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：
4.根據權利要求3所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：步驟2)中由于編碼器和解碼器中的特征在語義上不同，因此在解碼器的跳躍連接點處時使用自適應特征聚合模塊，通過自適應特征聚合模塊動態聚合不同層次特征之間的信息，過濾冗余信息。
5.根據權利要求1所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：
6.根據權利要求4所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：聯合訓練策略模塊的聯合訓練策略：<...
【技術特征摘要】
1.一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：包括通信連接的圖像重建模塊、目標檢測模塊和聯合訓練策略模塊；
2.根據權利要求1所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：重建網絡為7級編碼器-解碼器網絡，具有4層編碼器、3層解碼器的結構，重建網絡的每一層都包含若干個空間特征注意力，以使網絡能夠全面理解并有效利用空間信息進行傅里葉單像素圖像重建。
3.根據權利要求1所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在于：
4.根據權利要求3所述的一種基于傅里葉單像素成像系統的重構檢測框架系統，其特征在...
【專利技術屬性】
技術研發人員：楊旭，陳浩臻，張涵翠，吳龍，徐璐，
申請(專利權)人：浙江理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。