CN114863097B 一种基于注意力机制卷积神经网络的红外弱小目标检测方法 （北京航空航天大学）

WO2019144575A1,2019.08.01一种基于注意力机制卷积神经网络的红外本发明提出一种基于注意力机制卷积神经2步骤一：搭建基于注意力机制的卷积神经网络；步骤二：构造损失函数对网络进行训练；利用得到的输出：用训练好的神经网络处理红外图像；在使用训练数单元生成下一尺度特征图随后F2送入第三个残差块单元生成浅层特征图包含着更多的纹理细节信息，因此浅层特征的处理首先应用通道注意力机制，等于原始输入通道数；最后将前三分支拼接后降维的结果与第四个分支进行逐点加和操3预测的特征图；2.根据权利要求1所述的一种基于注意力机制卷积神经网络的红外弱小目标检测方3.根据权利要求1所述的一种基于注意力机制卷积神经网络的红外弱小目标检测方4比损失其中area(predict)为预测的目标区域，area4.根据权利要求3所述的一种基于注意力机制卷积神经网络的红外弱小目标检测方5.根据权利要求3所述的一种基于注意力机制卷积神经网络的红外弱小目标检测方对某一网络参数求偏导来进行参数更新：其中θi为反向传播前的网络参5快速准确检测弱小目标是一项具有挑战性和科学、工程和仪器国际研讨会论文集，1999:74-83.(DeshpandeSD,MengHE,VenkateswarluR,etal.Max-meanandmax-medianfiltersfordetectionofsmalltargets[C]//SPIE'sInternationalSymposiumonOpticalScience,Engineering,andInstrumentation.InternationalSocietyforOpticsandPhotonics,1999:74-83.))ofnewtop-hattransformationandtheapplicationforinfrareddimsmalltargetdetection[J].PatternRecognition,2010,43(6):2145-2156.))利用顶帽变换增学会地理与遥感汇刊，2016,54(7):4204-4214.(DengH,SunX,LiuM,etal.SmallInfraredTargetDetectionBasedonWeightedLocalDifferenceMeasure[J].IEEE6(12):4996-5009.(GaoC,MengD,YangY,etal.Infraredpatch-imagemodelforsmalltargetdetectioninasingleimage[J].IEEETransactionsonImagetowardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2017,39(6):1137-forthermalinfraredobjecttracking[J].Knowledge-BasedSystems,2017,134:189-法，2019,7:28113-28123.(DengQ,LuH,TaoH,etal.Multi-scaleconvolutionalneuralnetworksforspaceinfraredpointobjectsdiscrimination[J].IEEE明提出了一种基于注意力机制卷积神经网络的红外弱小目标检测方法，结合特征融合模7征保留了更多的构造目标边界的细节信息，深层特征保留了更多的定位目标语义的信息，8目标检测任务。考虑到本发明中由骨干网络得到增加了代表更多语义信息的深层特征在最终特征图中的比重，即在对各层特征进行融合们训练网络进行目标检测时，期望达到的理想情况是预测区域与真实区域能够完全重叠，检测效果越精确。由此，定义交并比损失其中area警率损失其中area(predict)为本发明方法预逐像素点乘，得到预测目标区域与真实目标区域的重叠结果，即area(predict)∩area9[0026]图1为本发明提出的基于注意力机制卷积神经网络的红外弱小目标检测方法的原差块单元生成特征图F1(宽长)，随后F1送入第二个残差块单元生成下一尺度特征图F2征保留了更多的构造目标边界的细节信息，深层特征保留了更多的定位目标语义的信息，用于结果预测的特征图。其中area(predict)为本发明方法预测的目标的真实结果图进行逐像素点乘，得到预测目标区域与真实目标区域的重叠结果，即area