[發明專利]一種基于分組梯度學習策略的偽裝物體檢測方法及系統

在審

• 申請號: 202210134042.9
• 申請日: 2022-02-14
• 公開（公告）號: CN114549982A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 程明明;范登平;季葛鵬;周昱程
• 申請（專利權）人: 南開大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆圣娟

本發明公開一種基于分組梯度學習策略的偽裝物體檢測方法及系統，包括：對偽裝物體圖像提取不同特征維度的語義特征；以目標級別梯度為學習監督信號，對偽裝物體圖像提取紋理特征；將語義特征和紋理特征沿通道進行切割，并對語義特征子組和紋理特征子組根據不同的分組尺度進行重排列，得到多組重組特征；對重組特征進行注意力映射得到多組注意力特征，根據語義特征與多組注意力特征得到梯度誘導特征，根據梯度誘導特征采用偽裝目標檢測模型得到偽裝物體的檢測結果。解決傳統特征聚合策略存在的忽略語義表征和紋理表征之間的相關性或者差異性的問題，大幅提升對偽裝物體的識別能力。

技術領域

本發明涉及圖像處理與計算機視覺技術領域，特別是涉及一種基于分組梯度學習策略的偽裝物體檢測方法及系統。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

隨著視覺場景越來越豐富，偽裝目標檢測(COD)算法的真實應用也愈發廣泛，例如：醫療病灶分割、透明障礙物預警和表面缺陷檢測。偽裝目標通常以人工或者自然的方式使目標“完美地”融入背景之中，使其不能通過快速視覺掃描過程被發現。因而相較于傳統的目標檢測任務，偽裝目標檢測更具挑戰性。偽裝目標檢測任務要求算法模型能夠針對所給視覺場景進行高層語義解析與智能理解，并從中檢出具有偽裝模式的目標。

現有的檢測方法側重于增強偽裝目標檢測的底層表征，例如：基于邊界和基于不確定性引導的。然而，從邊界監督或基于不確定性的模型中學習到的特征通常會對偽裝目標的邊緣做出響應，但是會引入噪聲特征，特別是對于復雜場景。此外，偽裝目標通常具有模糊的邊界，因此，其不會從快速視覺掃描的過程中被彈出。現有檢測方法忽略了對目標本身紋理信息的挖掘，往往無法通過有限的場景語義理解來確定偽裝目標的定位和邊界。

發明內容

為了解決上述問題，本發明提出了一種基于分組梯度學習策略的偽裝物體檢測方法及系統，通過解耦語義編碼及紋理編碼來緩解單分支中高級特征和低級特征之間的特征歧義，利用目標級別梯度作為顯式監督學習豐富的低級紋理特征，通過分組梯度學習策略與語義特征相融合，以充分聚合紋理特征和語義特征，以協同的方式集成不同分組尺度下的重組特征，解決傳統特征聚合策略存在的忽略語義表征和紋理表征之間的相關性或者差異性的問題，大幅提升對偽裝物體的識別能力。

為了實現上述目的，本發明采用如下技術方案：

第一方面，本發明提供一種基于分組梯度學習策略的偽裝物體檢測方法，包括：

對偽裝物體圖像提取不同特征維度的語義特征；

以目標級別梯度為學習監督信號，對偽裝物體圖像提取紋理特征；

將語義特征和紋理特征沿通道進行切割，并對得到的語義特征子組和紋理特征子組根據不同的分組尺度進行重排列和特征拼接，得到多組重組特征；

對重組特征進行注意力映射得到多組注意力特征，根據語義特征與多組注意力特征得到梯度誘導特征，根據梯度誘導特征采用訓練后的偽裝目標檢測模型得到偽裝物體的檢測結果。

作為可選擇的實施方式，所述目標級別梯度為：其中，F_E表示邊緣檢測器，邊緣檢測器的輸入為帶有離散像素坐標(x，y)的偽裝物體圖像I，表示逐像素乘法運算；Z^C為偽裝物體圖像的真值圖；Z^G為目標級別梯度。

作為可選擇的實施方式，將紋理特征沿通道進行切割后，將紋理特征子組進行下采樣，以使紋理特征子組的空間分辨率與語義特征子組的空間分辨率相匹配。

作為可選擇的實施方式，每組重組特征均根據分組尺度化分成N組子集，不同組之間的分組尺度不同。