[發明專利]一種基于主體區域引導的偽裝目標檢測方法

有效

• 申請號: 202211037831.7
• 申請日: 2022-08-25
• 公開（公告）號: CN115346094B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 吳智聰;周曉飛;張繼勇;李世鋒;周振;何帆
• 申請（專利權）人: 杭州電子科技大學;中電數據服務有限公司
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/82;G06V10/774;G06N3/0464;G06N3/09
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于主體區域引導的偽裝目標檢測方法，包括訓練圖像預處理、偽裝目標預測網絡搭建和偽裝目標預測網絡的訓練三個步驟。首先，通過訓練圖像預處理進行數據增強，然后搭建偽裝目標預測網絡，最后通過訓練集圖像完成偽裝目標預測網絡的訓練，本發明方法針對編碼部分包含豐富信息的淺層特征圖，設計了主體區域分析模塊進行有效提取，再通過特征融合模塊利用對主體區域的預測信息，引導對偽裝目標的檢測。本發明方法提供的網絡模型可以充分有效地利用主體區域引導信息來實現對自然圖像中偽裝目標的準確預測。

技術領域

本發明涉及一種基于主體區域引導的偽裝目標檢測方法，屬于計算機視覺技術領域。

背景技術

隨著深度學習技術的不斷進步，計算機視覺領域的各項任務也迎來了許多新的發展。偽裝目標檢測(COD，Camouflage?Object?Detection)是計算機視覺領域的一個熱門研究方向，其任務是準確檢測出圖像中包含的偽裝目標的位置信息，并實現目標區域二值分割。偽裝目標檢測與常規目標檢測任務有著較大差異，偽裝目標在圖像中往往非常隱蔽，與背景環境重合度高，不能在第一時間被人類的視覺注意力捕捉到。偽裝目標檢測在許多相關研究領域中有著廣泛的應用，例如迷彩偽裝軍事目標的檢測、農業作物病蟲害的分類和醫學圖像分割等，該任務已引起越來越大的重視。

以往偽裝目標檢測模型更多地采用傳統基于手工特征的檢測方法，比如基于顏色和紋理特征的檢測方法、基于頻域特征的檢測方法和基于幾何梯度特征的檢測方法。但都存在明顯的準確性缺陷，檢測準確度也容易受到噪聲、光照等因素的影響，綜合能力不如基于深度學習的方法。

而現有基于深度學習的一些偽裝目標檢測模型，簡單地將常規目標檢測任務的檢測模型移植到偽裝目標檢測任務中，沒有進行符合偽裝目標色彩特征的改進，對于偽裝目標的定位能力較弱，存在嚴重的錯誤區分顯著目標和偽裝目標的問題。

神經網絡模型中Encoder-Decoder(編碼-解碼)的結構首先在醫學圖像分割任務中被提出，并因為其卓越的分割表現被廣泛應用，成為了圖像分割任務中最常使用的網絡結構。

發明內容

本發明的目的是針對現有方法存在的不足，提供一種基于主體區域引導的偽裝目標檢測方法。

為實現上述目的，本發明的技術方案是：

一種基于主體區域引導的偽裝目標檢測方法，包括以下步驟：

步驟一、訓練圖像預處理：訓練數據集采用COD10K數據集和CAMO數據集，對輸入訓練圖像進行隨機翻轉與隨機裁剪操作，并使用距離變化算法生成主體區域的標簽圖，用作后續網絡訓練時的監督標簽；

步驟二、偽裝目標預測網絡搭建：偽裝目標預測網絡采用Encoder-Decoder結構，包括基于Res2Net-50主干網絡的編碼部分、包含主體區域分析模塊、特征融合模塊的解碼部分以及預測監督部分；

在編碼部分，將經過圖像預處理后的圖像輸入Res2Net-50的主干網絡，得到通道數和尺寸不同的各編碼層級卷積特征圖，將各編碼層級卷積特征圖各輸入一個卷積塊進行通道維度的壓縮，壓縮后將通道數相同的各層級特征圖傳遞至解碼部分；

在解碼部分，網絡主要包含主體區域分析模塊和特征融合模塊，主體區域分析模塊接收到編碼部分輸出的卷積特征圖和上一層級特征融合模塊輸出的特征圖，通過殘差融合的方式預測偽裝目標的主體區域；特征融合模塊接收到主體區域分析模塊輸出的特征圖，采用自注意力的方式實現特征融合，進行偽裝目標的預測，

在預測監督部分，將解碼部分主體區域分析模塊和特征融合模塊輸出的特征圖輸入卷積層，并使用上采樣和Softmax操作得到最終的預測圖序列。