CN116385752B 基于深度学习和可微分聚类的红外视频显著目标检测方法 （福州大学）

基于深度学习和可微分聚类的红外视频显本发明涉及一种基于深度学习和可微分聚于Vgg16网络的特征提取网络、基于注意力和ConvLSTM的显著性检测模型以及基于可微分聚2Vgg16网络的特征提取网络、基于注意力和ConvLSTM的显著性检测模型以及基于可微分聚步骤3、将待检测图像输入训练好的红外视频显著目标检测模型，得到最终的检测结所述显著目标细分割模型基于可微分聚类算法实现，所述可针对粗分割图中包含背景的情况，将目标中像素占比最小的像素针对粗分割图目标区域过小的情况，以目标二值图的最大连类图进行感兴趣区域选择后得到新的目标可能区域，将该区域灰度直方图中除0像素值以32.根据权利要求1所述的基于深度学习和可微分聚类的红外视频显著目标检测方法，3.根据权利要求2所述的基于深度学习和可微分聚类的红外视频显著目标检测方法，4.根据权利要求1所述的基于深度学习和可微分聚类的红外视频显著目标检测方法，i"=MOX"(5)利用残差连接将原始卷积神经网络特征和增强后的输出和遗忘的三个卷积门来控制单元内的信4ttot的激活函数；双曲正切函数tanh(x)＝[exp(x)_exp(_x)]/[exp(x)+exp(_x)]是ct的激活将隐藏状态Ht与1x1卷积核卷积得到动态显著性图。5[0004]本发明的目的在于提供一种基于深度学习和可微分聚类的红外视频显著目标检基于Vgg16网络的特征提取网络、基于注意力和ConvLSTM的显著性检测模型以及基于可微6[0009]进一步地，所述基于Vgg16网络的特征提取网络由13个卷积层和3个全连接层组[0021]进一步地，所述基于注意力和ConvLSTM的显著性检测模型包括注意力模块和if=MOX"(5)[0026]利用残差连接将原始卷积神经网络特征和增强后的特征结合起来，输入到7ttt的激活函数；双曲正切函数tanh(x)＝[exp(x)_exp(_x)]/[exp(x)+exp(_x)]是ct算法在卷积神经网络中对单张图像进行微分聚类以实现对显著性图分聚类图进行感兴趣区域选择后得到新的目标可能区域，将该区域灰度直方图中除0像素检测目标显著性，再通过基于可微分聚类的显著目标细分割模型对显著图进行精细化分8[0050]如图1所示，本实施例提供了一种基于深度学习和可微分聚类的红外视频显著目基于Vgg16网络的特征提取网络、基于注意力和ConvLSTM的显著性检测模型以及基于可微[0056]基于Vgg16网络的特征提取网络由13个卷积层和3个全连接层组成。卷积层分为59[0068]所述基于注意力和ConvLSTM的显著性检测模型包括注意力模块和i"=MOX"(5)[0073]利用残差连接将原始卷积神经网络特征和增强后的特征结合起来，输入到门控操作的内存单元来实现，此外通过卷积运算替换点积使ConvLSTM保留空间信息；ttt的激活函数；双曲正切函数tanh(x)＝[exp(x)_exp(_x)]/[exp(x)+exp(_x)]是ct分聚类图进行感兴趣区域选择后得到新的目标可能区域，将该区域灰度直方图中除0像素[0089]为了更好地说明本发明方法的性能，各种方法分割后的图像的定量比较如表1所现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0095]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等