[發(fā)明專利]一種基于注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測方法

在審

• 申請?zhí)枺?/td>: 202210354670.8
• 申請日: 2022-04-06
• 公開（公告）號: CN114863097A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 白相志;孫衡;白君香
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06V10/80;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京慧泉知識產(chǎn)權(quán)代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測方法，其特征在于：該方法具體步驟如下：

步驟一：搭建基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)；首先使用骨干網(wǎng)絡(luò)對輸入圖像進(jìn)行特征提取；提取的三層特征經(jīng)過注意力模塊進(jìn)行特征增強(qiáng)；隨后通過擴(kuò)大感受野模塊進(jìn)行感受野增強(qiáng)；然后通過特征融合模塊進(jìn)行高低級特征融合；最后通過全卷積網(wǎng)絡(luò)逐像素預(yù)測，得到全圖像像素級別的概率預(yù)測圖；

步驟二：構(gòu)造損失函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練；利用得到的預(yù)測結(jié)果與像素級標(biāo)注圖像進(jìn)行損失計算，以實(shí)現(xiàn)對網(wǎng)絡(luò)參數(shù)的反饋訓(xùn)練；

輸出：用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)處理紅外圖像；在使用訓(xùn)練數(shù)據(jù)對注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行充分迭代訓(xùn)練之后，得到訓(xùn)練好的網(wǎng)絡(luò)用于檢測目標(biāo)像素。

2.根據(jù)權(quán)利要求1所述的一種基于注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測方法，其特征在于：在步驟一中，具體包括如下步驟：

1.1：構(gòu)建骨干網(wǎng)絡(luò)對輸入圖像進(jìn)行特征提取；骨干網(wǎng)絡(luò)由三個殘差塊單元構(gòu)成，每個殘差塊單元由不同尺度的卷積單元與殘差塊組成，以提取不同尺度的特征；輸入圖像首先經(jīng)過一個卷積核大小為3×3，步長為1的卷積單元，生成通道數(shù)為16的特征圖；接著依次通過3個殘差塊單元，生成通道數(shù)為32、64、128的三組特征圖；

1.2：注意力模塊；針對弱小目標(biāo)特征的注意力模塊，考慮到淺層特征保留了更多的構(gòu)造目標(biāo)邊界的細(xì)節(jié)信息，深層特征保留了更多的定位目標(biāo)語義的信息，對不同層特征進(jìn)行區(qū)分處理，以增強(qiáng)與小目標(biāo)相關(guān)的特征信息；首先，針對三層特征的感受野不同，將空間注意力中卷積單元的卷積核大小按照從淺層到深層依次設(shè)置為7×7、5×5、3×3；同時，由于淺層特征圖包含著更多的紋理細(xì)節(jié)信息，因此淺層特征的處理首先應(yīng)用通道注意力機(jī)制，接著應(yīng)用空間注意力機(jī)制；然而對于深層特征，由于其體現(xiàn)著更多的語義信息，處理時首先應(yīng)用空間注意力機(jī)制，然后再應(yīng)用通道注意力機(jī)制；

1.3：擴(kuò)大感受野模塊；設(shè)計4個分支結(jié)構(gòu)，使用1×1、3×3、5×5卷積，合理擴(kuò)大感受野；首先對處理后的前三個分支進(jìn)行拼接操作，對拼接后的特征信息再進(jìn)行1×1卷積降維，最后與第四個分支相加，得到擴(kuò)大了感受野后的特征圖；

1.4：特征融合模塊；綜合考慮紅外弱小目標(biāo)各層特征圖表征的不同信息，增加了代表更多語義信息的深層特征在最終特征圖中的比重，即在對各層特征進(jìn)行融合后，再與進(jìn)行特征融合中原有的深層特征進(jìn)行逐點(diǎn)加和操作，以增強(qiáng)圖像的語義信息；對于深層特征，在兩次卷積操作之間，增加了自適應(yīng)平均池化的操作，有利于在前后通道數(shù)不改變的前提下，在特征信息中保留更多的背景信息；然后將處理后的深層特征與原有的淺層特征相乘，同理，處理后的淺層特征也與原有的深層特征相乘，接著將兩者結(jié)果進(jìn)行拼接；最后，將拼接后的特征與原有的深層特征進(jìn)行加法操作；在整個網(wǎng)絡(luò)中，一共提取了三個尺度的特征，首先在最深層的兩層特征之間進(jìn)行特征融合操作，然后將融合的結(jié)果與淺層特征再次進(jìn)行同樣的特征融合操作，以得到最終應(yīng)用于結(jié)果預(yù)測的特征圖；

1.5：通過全卷積網(wǎng)絡(luò)進(jìn)行檢測；將融合后的特征利用全卷積網(wǎng)絡(luò)FCN逐像素預(yù)測，得到全圖像像素級別的概率預(yù)測圖。

3.根據(jù)權(quán)利要求2所述的一種基于注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測方法，其特征在于：在步驟1.1中：每個卷積單元由卷積層，批量歸一化層、LeakyReLu操作組合而成；三組特征圖F1、F2、F3；F通過第一個殘差塊單元生成特征圖F1(寬長隨后F1送入第二個殘差塊單元生成下一尺度特征圖F2(寬長隨后F2送入第三個殘差塊單元生成F3(寬長每個殘差塊單元先使用1次卷積核大小為3×3，步長為2的卷積單元，目的是對圖像進(jìn)行下采樣；再經(jīng)過2個殘差塊提取特征，得到該尺度的特征圖；每個殘差塊由2個卷積單元組成，卷積核大小為1×1、步長為1，第一個卷積單元將特征圖通道數(shù)降為原有一半，第二個卷積單元恢復(fù)原特征圖通道數(shù)，與輸入進(jìn)行殘差連接。