CN113255744A - 一种红外目标检测方法及系统 - Google Patents

一种红外目标检测方法及系统 Download PDF

Info

Publication number
CN113255744A
CN113255744A CN202110520924.4A CN202110520924A CN113255744A CN 113255744 A CN113255744 A CN 113255744A CN 202110520924 A CN202110520924 A CN 202110520924A CN 113255744 A CN113255744 A CN 113255744A
Authority
CN
China
Prior art keywords
features
output
target detection
different scales
fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110520924.4A
Other languages
English (en)
Other versions
CN113255744B (zh
Inventor
赵晓枫
徐叶斌
吴飞
丁遥
牛家辉
蔡伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202110520924.4A priority Critical patent/CN113255744B/zh
Publication of CN113255744A publication Critical patent/CN113255744A/zh
Application granted granted Critical
Publication of CN113255744B publication Critical patent/CN113255744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种红外目标检测方法及系统，该方法包括：将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征；利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化；将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征；将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图；根据融合后的特征图进行目标检测。本发明提高了检测的准确性。

Description

一种红外目标检测方法及系统
技术领域
本发明涉及目标检测领域，特别是涉及一种红外目标检测方法及系统。
背景技术
红外辐射是物体的固有属性，当物体温度高于绝对零度时，就会向外辐射热量，因此可以对目标的红外特征进行全天时的检测与识别。当前根据物体的红外特征对目标进行准确且实时的检测，已成为军事侦察、视频检测、伪装防护等领域重点关注的问题。
近年来，随着深度学习的兴起，产生了基于卷积神经网络(Convolutional NeuralNetworks，CNN)的目标检测方法。基于深度学习的目标检测，存在以R-CNN、Fast R-CNN、Faster R-CNN等为主的两阶段目标检测算法和以SDD、YOLO等为主的一阶段目标检测算法。两阶段的目标检测算法先将图像输入主干网络进行特征提取，选出待检测区域，再进行目标分类和预测框回归对目标进行检测。而一阶段目标检测算法则是通过遍历将预测框与真实框相关联，利用IOU(Intersection over Union)机制将相关度量化并使用NMS机制抑制关联度不高的预测框。目前，地面场景下由于目标红外特性易受复杂背景干扰，因此存在检测精度不高，易发生误检和漏检的问题。
发明内容
本发明的目的是提供一种红外目标检测方法及系统，提高了检测准确性。
为实现上述目的，本发明提供了如下方案：
一种红外目标检测方法，包括：
将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征；
利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化；
将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征；
将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图；
根据融合后的特征图进行目标检测。
可选地，所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征，具体包括：
对待检测红外图像进行卷积核大小为3×3，步长为1的卷积操作，并使用LeakyRelu函数作为激活函数，得到初步调整后的特征；
将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征。
可选地，所述将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征中，每次下采样操作，具体包括：
对上一次输出的特征进行下采样，并将下采样输出和残差块进行连接；所述下采样为卷积核大小为3×3，步长为2的卷积操作。
可选地，所述将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图，具体包括：
采用自上而下的方式，将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
可选地，所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征之前，具体还包括：
将原始红外图像经过边缘修补，得到512×512像素的待检测红外图像。
本发明还包括一种红外目标检测系统，包括：
不同尺度的特征获得模块，用于将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征；
自适应平均池化模块，用于利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化；
全局感知融合特征获得模块，用于将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征；
不同尺度特征融合模块，用于将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图；
目标检测模块，用于根据融合后的特征图进行目标检测。
可选地，所述不同尺度的特征获得模块，具体包括：
初步调整单元，用于对待检测红外图像进行卷积核大小为3×3，步长为1的卷积操作，并使用LeakyRelu函数作为激活函数，得到初步调整后的特征；
不同尺度特征输出单元，用于将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征。
可选地，所述不同尺度特征输出单元中，每次下采样操作，具体包括：
对上一次输出的特征进行下采样，并将下采样输出和残差块进行连接；所述下采样为卷积核大小为3×3，步长为2的卷积操作。
可选地，所述不同尺度特征融合模块，具体包括：
不同尺度特征融合单元，用于采用自上而下的方式，将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
可选地，所述不同尺度的特征获得模块之前，具体还包括：
图像边缘修补模块，用于将原始红外图像经过边缘修补，得到512×512像素的待检测红外图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明将自适应平均池化后的特征和主干网络最后一层输出的特征进行融合，获得全局感知融合特征；将全局感知融合特征和主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图，从而对对待检测红外图像内全景信息进行感知，增大目标检测模型的感受域和感知能力，对待检测红外图像中的信息进行全局理解，增强检测抗干扰能力，从而提高了检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种红外目标检测方法流程示意图；
图2为本发明全局感知机制的目标检测模型的结构示意图；
图3为本发明基于全局感知机制的特征处理流程示意图；
图4为本发明残差连接示意图；
图5为本发明一种红外目标检测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种红外目标检测方法及系统，提高了检测准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种红外目标检测方法流程示意图，如图1所示，一种红外目标检测方法包括以下步骤：
步骤101：将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征。
所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征之前，具体还包括：
将原始红外图像经过边缘修补，得到512×512像素的待检测红外图像。将待检测红外图像输入目标检测模型。
所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征，具体包括：
对待检测红外图像进行卷积核大小为3×3，步长为1的卷积操作，批归一化处理增强输入数据的稳定性，并使用LeakyRelu函数作为激活函数，得到初步调整后的特征。
将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征。
所述将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征中，每次下采样操作，具体包括：
对上一次输出的特征进行下采样，并将下采样输出和残差块进行连接；所述下采样为卷积核大小为3×3，步长为2的卷积操作，进行批归一化处理，并且使用LeakyRelu函数激活。在执行下采样后，特征图像分辨率变为原来的一半，通道数倍增。
作为具体的实施例，设计的目标检测模型中共进行5次下采样，得到最终的输出特征。
步骤102：利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化。
作为具体的实施例，使用四个不同大小的子区域对输入特征进行自适应平均池化操作。
步骤103：将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征。
步骤104：将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
所述将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图，具体包括：
采用自上而下的方式，将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
步骤105：根据融合后的特征图进行目标检测。
下面详细说明本发明一种红外目标检测方法。
Step1：原始红外图像经边缘修补的方式处理成512×512像素，输入目标检测模型。
如图2所示，基于全局感知机制的目标检测模型，包括主干网络、特征融合网络和目标预测网络三个部分。输入图片首先在主干网络中进行下采样操作，降低特征图大小，提取不同层次特征，并将最后一层输出使用全局感知模块进行全局池化。再使用特征融合网络进行不同尺度特征的融合，实现低维空间信息和高维语义信息的互补。最后将融合后的特征图作为目标预测网络的输入，进行目标分类和边界框的回归，完成目标的检测。如图2中残差块*后面的个数表示串联残差块的个数，例如：残差块*2，表示2个残差块以图4的连接方式串联。
Step2：使用矩阵X表示输入图像，Y表示经过卷积后得到的特征图，F(·)表示卷积操作，其过程如下：
Y＝F(·)*X+b (1)
其中，F(·)表示核大小为3×3，步长为1，进行批归一化处理，并且使用LeakyRelu损失函数激活的卷积操作。b为通道的偏置，可以使用相关初始化方式进行初始设定，并通过神经网络的反向传播进行更新。通过式(1)进行输入图像的初步通道调整。神经网络的反向传播更新是对所有权值进行更新，包括通道值和偏置参数。
Step3：对初步调整后的图像进行多次下采样操作，其计算过程如下：
Y'＝F'(·)*Y+b (2)
Y'表示下采样输出的特征图，Y表示经初步调整后得到的特征图。F'(·)表示卷积核大小为3×3，步长为2，进行批归一化处理，并且使用LeakyRelu损失函数激活的卷积操作，执行大小变为原来的一半，通道数倍增的下采样操作，得到新的特征图。
Step4：将下采样得到的特征图输入到卷积核大小为3×3，步长为1×1的特征图中，进行卷积操作并使用残差连接的方式，进行浅层与深层特征的互补，避免模型的网络爆炸和梯度消亡。残差的连接如图4所示，残差连接计算如下：
H(Y')＝F'(·)*Y+Y' (3)
经过每次下采样后，先使用两个大小为3×3，步长为1的卷积进行仿射变换，再使用残差连接，将原始输入与经过仿射变换后的输出相结合，产生一个具有原始输入和仿射变换后的残差块输出。将多个残差块堆叠(串联)使用，即可达到对特征提取的目的。
Step5：将目标检测模块对应的主干网络的最后一层特征输出，输入到全局感知池化层中，如图3所示，利用不同大小的子区域对输入特征进行自适应平均池化，再将池化后的特征图和未池化前的特征图进行融合，得到具有全局感知能力的输出。
全局感知池化层以主干网络最后一个卷积层产生的特征图作为输入，考虑到最后一层特征图经过主干网络32倍下采样后，为10×10大小的高维特征，特征信息较多，而使用最大池化机制会导致部分信息丢失，因此使用自适应平均池化对特征进行处理。将输入特征图划分为1×1、2×2、4×4、6×6四个不同尺度的子区域进行平均池化。其中1×1子区域为第一层，在整个特征图上执行最粗略层次的池化操作，生成一个池化后的特征；第二层将特征图分割成2×2的子区域进行平均池化。其余层依次类推将特征映射分割到不同的子区域并形成不同尺度的池化表示，最后一层将特征图划分为6×6的子区域，执行最细层次的平均池化。经过不同尺度的池化，不同级别的输出形成多种尺度的特征映射。对不同层次池化特征，使用1×1的卷积进行通道和维度调整，再经过上采样以双线性差值的方式将尺度调整到原始特征图大小。最后，使原始特征与池化后的特征通过跳跃连接的方式完成特征融合，得到具有全局感知的融合输出。
Step6：将通过特征融合网络的特征输入到目标检测网络中，采用自上而下的方式进行特征融合，并将融合后的特征通过由5个卷积块组成的卷积模块中，进行通道的改变，生成具有21个预测通道数的检测头，实现对输入图像目标的检测，如图2所示。在检测的过程中，使用标签平滑方式对使用独热编码的目标类别标签进行平滑优化：
q'(k)＝(1-ε)δk,y+εu(k) (4)
ε为衰减因子；k为类别数；u(k)为类别数的概率分布，此处采用均匀分布。δk,y定义为：
Figure BDA0003063937580000071
式(5)中：y表示类别对应的标签，当预测得到的k值等于y时，δk,y就为1，可以将式(4)进行平滑处理，若不相等，则该项为零，不需要进行平滑处理。
最终，得到平滑焦点损失函数(SoftFocus Loss)S-FL()，定义如下：
Figure BDA0003063937580000072
式(6)中：
Figure BDA0003063937580000081
α表示加权的权值。
p(k)为类别概率；q'(k)表示经平滑后的指定类别；λ为聚焦参数，可以平滑的调整对于简单样本的权重。
目标类别标签是将网络提取的特征与所属类别进行对应，同时也会根据类别标签与实际预测的情况，计算网络的检测准确率。
本发明的基本构思是针对地面复杂环境下目标容易受到背景干扰，出现检测精度不高、漏检误检等问题，利用全局感知机制对图像内全景信息进行感知，增大模型的感受域和感知能力，对图像中的信息进行全局理解，增强模型的抗干扰能力，从而实现准确检测。
图5为本发明一种红外目标检测系统结构示意图，如图5所示，一种红外目标检测系统，包括：
不同尺度的特征获得模块201，用于将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征。
自适应平均池化模块202，用于利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化。
全局感知融合特征获得模块203，用于将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征。
不同尺度特征融合模块204，用于将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
目标检测模块205，用于根据融合后的特征图进行目标检测。
所述不同尺度的特征获得模块201，具体包括：
初步调整单元，用于对待检测红外图像进行卷积核大小为3×3，步长为1的卷积操作，并使用LeakyRelu函数作为激活函数，得到初步调整后的特征。
不同尺度特征输出单元，用于将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征。
所述不同尺度特征输出单元中，每次下采样操作，具体包括：
对上一次输出的特征进行下采样，并将下采样输出和残差块进行连接；所述下采样为卷积核大小为3×3，步长为2的卷积操作。
所述不同尺度特征融合模块204，具体包括：
不同尺度特征融合单元，用于采用自上而下的方式，将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
所述不同尺度的特征获得模块201之前，具体还包括：
图像边缘修补模块，用于将原始红外图像经过边缘修补，得到512×512像素的待检测红外图像。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种红外目标检测方法，其特征在于，包括：
将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征；
利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化；
将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征；
将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图；
根据融合后的特征图进行目标检测。
2.根据权利要求1所述的红外目标检测方法，其特征在于，所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征，具体包括：
对待检测红外图像进行卷积核大小为3×3，步长为1的卷积操作，并使用LeakyRelu函数作为激活函数，得到初步调整后的特征；
将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征。
3.根据权利要求2所述的红外目标检测方法，其特征在于，所述将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征中，每次下采样操作，具体包括：
对上一次输出的特征进行下采样，并将下采样输出和残差块进行连接；所述下采样为卷积核大小为3×3，步长为2的卷积操作。
4.根据权利要求1所述的红外目标检测方法，其特征在于，所述将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图，具体包括：
采用自上而下的方式，将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
5.根据权利要求1所述的红外目标检测方法，其特征在于，所述将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征之前，具体还包括：
将原始红外图像经过边缘修补，得到512×512像素的待检测红外图像。
6.一种红外目标检测系统，其特征在于，包括：
不同尺度的特征获得模块，用于将待检测红外图像输入主干网络进行多次下采样操作，输出不同尺度的特征；
自适应平均池化模块，用于利用不同大小的子区域对所述主干网络最后一层输出的特征进行自适应平均池化；
全局感知融合特征获得模块，用于将自适应平均池化后的特征和所述主干网络最后一层输出的特征进行融合，获得全局感知融合特征；
不同尺度特征融合模块，用于将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图；
目标检测模块，用于根据融合后的特征图进行目标检测。
7.根据权利要求6所述的红外目标检测系统，其特征在于，所述不同尺度的特征获得模块，具体包括：
初步调整单元，用于对待检测红外图像进行卷积核大小为3×3，步长为1的卷积操作，并使用LeakyRelu函数作为激活函数，得到初步调整后的特征；
不同尺度特征输出单元，用于将所述初步调整后的特征进行多次下采样操作，输出不同尺度的特征。
8.根据权利要求7所述的红外目标检测系统，其特征在于，所述不同尺度特征输出单元中，每次下采样操作，具体包括：
对上一次输出的特征进行下采样，并将下采样输出和残差块进行连接；所述下采样为卷积核大小为3×3，步长为2的卷积操作。
9.根据权利要求6所述的红外目标检测系统，其特征在于，所述不同尺度特征融合模块，具体包括：
不同尺度特征融合单元，用于采用自上而下的方式，将所述全局感知融合特征和所述主干网络除了最后一层的其它层输出的不同尺度的特征进行特征融合，获得融合后的特征图。
10.根据权利要求6所述的红外目标检测系统，其特征在于，所述不同尺度的特征获得模块之前，具体还包括：
图像边缘修补模块，用于将原始红外图像经过边缘修补，得到512×512像素的待检测红外图像。
CN202110520924.4A 2021-05-13 2021-05-13 一种红外目标检测方法及系统 Active CN113255744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110520924.4A CN113255744B (zh) 2021-05-13 2021-05-13 一种红外目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110520924.4A CN113255744B (zh) 2021-05-13 2021-05-13 一种红外目标检测方法及系统

Publications (2)

Publication Number Publication Date
CN113255744A true CN113255744A (zh) 2021-08-13
CN113255744B CN113255744B (zh) 2023-03-24

Family

ID=77181727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110520924.4A Active CN113255744B (zh) 2021-05-13 2021-05-13 一种红外目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN113255744B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085744A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于多尺度特征学习的肾肿瘤分割方法
CN112329800A (zh) * 2020-12-03 2021-02-05 河南大学 一种基于全局信息引导残差注意力的显著性目标检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085744A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于多尺度特征学习的肾肿瘤分割方法
CN112329800A (zh) * 2020-12-03 2021-02-05 河南大学 一种基于全局信息引导残差注意力的显著性目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LOVEMISS-Y: "【个人整理】深入详解金字塔场景解析网络(PSPNet)", 《HTTPS://BLOG.CSDN.NET/QQ_27825451/ARTICLE/DETAILS/89643096》 *
专注于计算机视觉的ANDYJIANG: "目标检测之Yolov4", 《HTTPS://BLOG.CSDN.NET/ANDYJKT/ARTICLE/DETAILS/107590669》 *

Also Published As

Publication number Publication date
CN113255744B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN108052911B (zh) 基于深度学习的多模态遥感影像高层特征融合分类方法
Zhao et al. Hyperspectral anomaly detection based on stacked denoising autoencoders
CN107945204B (zh) 一种基于生成对抗网络的像素级人像抠图方法
CN111696137B (zh) 一种基于多层特征混合与注意力机制的目标跟踪方法
CN111768388B (zh) 一种基于正样本参考的产品表面缺陷检测方法及系统
CN111145131A (zh) 一种基于多尺度生成式对抗网络的红外和可见光图像融合方法
CN111160407B (zh) 一种深度学习目标检测方法及系统
CN109871821B (zh) 自适应网络的行人重识别方法、装置、设备及存储介质
CN111696136B (zh) 一种基于编解码结构的目标跟踪方法
CN114170526A (zh) 基于轻量化网络的遥感影像多尺度目标检测识别方法
CN113255521A (zh) 一种面向嵌入式平台的双模目标检测方法及系统
CN108446588A (zh) 一种双时相遥感影像变化检测方法及系统
CN116266387A (zh) 基于重参数化残差结构和坐标注意力机制的yolov4的图像识别算法及系统
CN115471757A (zh) 基于卷积神经网络和注意力机制的高光谱图像分类方法
CN113095158A (zh) 一种基于对抗生成网络的笔迹生成方法及装置
CN117522923A (zh) 融合多模态特征的目标跟踪系统及方法
CN117593517B (zh) 基于互补感知跨视图融合网络的伪装目标检测方法
CN114155165A (zh) 一种基于半监督的图像去雾方法
CN116977747B (zh) 基于多路多尺度特征孪生网络的小样本高光谱分类方法
CN113450297A (zh) 红外图像和可见光图像的融合模型构建方法及系统
CN117710841A (zh) 一种无人机航拍图像的小目标检测方法、装置
CN113327271A (zh) 基于双光孪生网络决策级目标跟踪方法、系统及存储介质
CN113255744B (zh) 一种红外目标检测方法及系统
CN116188915A (zh) 人脸口罩图像的合成模型的训练方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant