CN115375668B 基于注意力机制的红外单帧小目标检测方法 （西安电子科技大学）

基于注意力机制的红外单帧小目标检测方法本发明公开了一种基于注意力机制的红外2(2d)将两个(2a)中构建的EDIG模块、一个(2b)中构建的AFF模块嵌入到八层编解码结(3)采用训练集及其标注信息通过梯度下降法对多维度注意力感知网络进行训练，得将浅层通道注意力子模块和深层通道注意力子模块分别与逐点注意力子模块的浅层所述浅层通道注意力子模块和深层通道注意力子模块结构相同，两→全局平均池化层→第一全连接层→ReLU激活函数层→第二全连接层→sigmoid函数层，2将第二矩阵D(X)经过一次卷积核大小为1*1、卷积步长为1的卷积层得到输出特征f(D3第1条支路的结构为：深层输入端口→卷积层→Reshape层，第2条和第3条支路结构相同，其依次为：浅层输入端口→最大池化层→卷积层→2第二层：第一残差块→第二残差块→第三残差块，其输出特征为16维，尺寸为240×第五层：第一上采样模块→第十二残差块→第十三残差块→第六层：第二上采样模块→第十六残差块→第十七残差所述第四残差块和第八残差块均包含两个卷积层和一个平均池6.根据权利要求1所述的方法，其特征在于：步骤(2d)中将EDIEDIG1模块的浅层通道注意力子模块与主干网络中第二层的第三模块的深层通道注意力子模块与主干网络中第六层的第二上采样模块相连接，EDIG1模块的输出端口与主干网络中第六层的第十六残差AFF模块中的非局部注意力模块与主干网络中第三层的第七残差块相连接，4输出端口分别与主干网络中第四层的第八残差块和EDIG2模块的浅层通道注意力子模块相EDIG2模块的深层通道注意力子模块与主干网络中第五层的第一上采样模块相连接，EDIG2模块的输出端口与主干网络中第五层的第十7.根据权利要求1所述的方法，其特征在于：(3a)将红外小目标训练集与其对应的标注数据按批量大小平分为多个配对的图像组，并将第一图像组输入到多维度注意力感知网络MDA_Net，得到网络各卷积操作的权值和偏(3b)根据网络预测的结果和红外图像的标注数据，通过网络的损失函数计算其损失i,j表示网络在i行j列的预测结果，t(3c)利用NesterovAcceleratedGradient算法更新梯度方向，以最小化损失函数值作5[0001]本发明属于图像处理与计算机视觉技术领域,特别的方法如Deshpande等人在Max_meanandmax_medianfiltersfordetectionofsmalltargets[C]//SignalandDataProcessingofSmallTargets1999.InternationalSocietyforOpticsandPhotonics,1999,3809:74_83中提出将Max_mean和Max_median滤波器应用于红外小目标的检测中；Zeng等人在Thedesignoftop_hatmorphologicalfilterandapplicationtoinfraredtargetdetection[J].Infraredphysics&度。典型的方法如Chen等人在Alocalcontrastmethodforsmallinfraredtargetdetection[J].IEEEtransactionsongeoscienceandremotesensing,2013,52(1):574_581中通过获取红外图像的局部对比度图和计算当前位置与其周围区域的差异来达到增强目标或抑制背景的目的；Han等人在Arobustinfraredsmalltargetdetectionalgorithmbasedonhumanvisualsystem[J].IEEEGeoscienceandRemoteSensing6表性的有Gao等人在Infraredpatch_imagemodelforsmalltargetdetectioninasingleimage[J].IEEEtransactionsonimageprocessing,2013,22(12):4996_5009中提出的IPI算法；Zhang等人在Infraredsmalltargetdetectionvianon_convexrankapproximationminimizationjointl2,1norm[J].RemoteSensing,2018,10(11):1821训练以主动学习特征来达到检测小目标的目的，实现更好的检测性能。Liu等人在ImagesmalltargetdetectionbasedondeeplearningwithSNRcontrolledsamplegeneration[J].CurrentTrendsinComputerScienceandMechanicalAutomation,进行训练和测试实现小目标的检测；Dai等人在Asymmetriccontextualmodulationforinfraredsmalltargetdetection[C]//ProceedingsoftheIEEE/CVFWinterConferenceonApplicationsofComputerVision.2021:950_959中提出了一个用于单帧红外图像小目标检测的公共数据集SIRST，并设计了非对称上下文ACM模块，该模块在SIRST数据集上有良好的检测性能；同年，Dai等人又在Attentionallocalcontrastnetworksforinfraredsmalltargetdetection[J].IEEETransactionsonGeoscienceandRemoteSensing,2021,59(11):9813_9824提出了注意力局部对比网络ALCNet，该方法将卷积神经网络与常规的模型驱动方法相结合以突出和保留小目标的特征，进一步提升了检测性能。Tong等人在EAAU_Net:EnhancedasymmetricattentionU_Netforinfraredsmalltargetdetection提出了一种增强的非对称注意力EAA，该方法通过在网络层内有效地执行空间和通道特征7[0015](2b)建立由非局部注意力模块与非局部特征融合模块连接组成的虚警注意模块[0017](2d)将两个(2a)中构建的EDIG模块、一个(2b)中构建的AFF模块嵌入到八层编解[0018](3)采用训练集及其标注信息通过梯度下降法对多维度注意力感知网络进行训[0019](4)将测试集输入到训练好的多维度注意力感知网络中，输出红外小目标检测结受杂波和噪声干扰，目标检测任务中存在严重的漏检和误检问题，设计了虚警注意模块[0028]图5为用本发明和现有的红外小目标检测算法对红外小目标数据的检测效果对比8[0030]本实施例使用Dai等人建立的单帧红外弱小目标图像数据集SIRST进行红外小目[0047]浅层通道注意力子模块和深层通道注意力子模块分别与逐点注意力子模块的浅92[0059]3.3)将非局部注意力模块的输出端口与非局部特征融合模块的第1支路的深层输[0077]4.2)在八层编解码结构的主干网络中嵌入编码端解码端交互引导EDIG模块和虚[0078]EDIG1模块的浅层通道注意力子模块与主干网络中第二层的第三残差块相连接，模块的输出端口与主干网络中第六层的第十六残差块的输出端口分别与主干网络中第四层的第八残差块和EDIG2模块的浅层通道注意力子模[0080]EDIG2模块的深层通道注意力子模块与主干网络中第五层的第一上采样模块相连[0081]步骤5：采用训练集及其标注信息通过梯度下降法对多维度注意力感知网络进行[0083]5.1)将红外小目标训练集与其对应的标注数据按批量大小平分为多个配对的图[0087]5.3)利用NesterovAcceleratedGradie[0088]5.4)将第二图像组输入至一次参数更新后的多维度注意力感知网络，重复步骤Pd，显著降低了虚警率Fa，且