CN119478911A 一种改进型红外小目标检测方法、系统及装置 （南开大学）

置取并预处理图像，获得预处理后的图像；基于主干网络包括SD_BS模块，多尺度特征融合网络包括GSELAN模块。本发明通过引入了SD_BS模块浅层信息的丢失，同时减小模型复杂度与计算2S2：基于YOLOv9框架建立红外小目标检测网络其中，H为输入图像的长和宽的像素数，为通道数，X[i:H:scale,j:H:scale]表示对输入特征在长维度以第i行开始到H为止，在宽维度以第j列开始到H为止，以scale为步长提取像素，h,根据x[i:H:scale,j:H:scale]得到的子特征，i=0,1,2,…,scale-1，;3;2.根据权利要求1所述的一种改进型红外小目标检测方块替换所述多尺度特征融合网络的RepNCSPELS23：将所述第二中间值和第二模块超参数输入到S24将所述第三中间值和第二模块超参数输入到GSCSP5.根据权利要求4所述的一种改进型红外小目标S203：将所述第一模块中间值和所述第二模块8.一种改进型红外小目标检测系统，用以执行如权4模型训练模块：设置训练参数，使用预处理后的图像对所述红外小目9.一种电子装置，包括存储器、处理器及存储在5[0001]本发明涉及红外图像检测技术领域，尤其涉及一种改进型红外小目标检测方法、的类别和位置，代表算法有YOLO（YouConvolutionalNeuralNetworks，基于区域的卷积神经网络）系列、SPP_Net（Spatial6其中，H为输入图像的长和宽的像素数，为通道数，X[i:H:scale,j:H:scale]表示对输入特征在长维度以第i行开始到H为止，在宽维度以第j列开始到H为止，以scale为步长提取像素，根据X[i:H:scale,j:H:scale]得到的子特征，尺度特征融合网络的RepNCSPELA[0008]根据本发明提供的一种改进型红外小目标检测方法，所述GSELAN模块的结构包7[0009]根据本发明提供的一种改进型红外小目标检测方法，所述GSCSP_1模块的步骤包S202：将GSCSP_1模块的输入数据输入到GSBottleneck模块中得到第二模块中间S2004：将所述第一次卷积结果和所述第三次卷积结果进行加和操作得到8域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征9其中，H为输入图像的长和宽的像素数，为通道数，X[i:H:scale,j:H:scale]表示对输入特征在长维度以第i行开始到H为止，在宽维度以第j列开始到H为止，以scale为步长提取像素，根据X[i:H:scale,j:H:scale]得到的子特征，h四个子特征。其中。经过BN批归一化和SiLU激活函数进行非线性化得到的输出特征更易于训练以及增强输入特征的非线性表达。本发明实施例中输出特征。[0026]本发明实施例为了充分利用弱小目标的特征信息，提出了SD_BS模块来代替普通的卷积模块，保证了卷积神经网络提取目标特征的能力，同时使模型更加轻量化，具体来度的缩减以及通道维度的增加都会导致部分语义信息丢失。仅仅使用DSC可以一定程度可[0028]本发明实施例中所述GSELAN模块替换所述多尺度特征融合网络的RepNCSPELAN4S202：将GSCSP_1模块的输入数据输入到GSBottleneck模块中得到第二模块中间S2004：将所述第一次卷积结果和所述第三次卷积结果进行加和操作得到[0033]本发明实施例使用mAP（MeanAveragePrecision，平均精度）和GFLOPS（Giga[0036]基于Pytorch深度学习框架对模型整体进行训练，并利用验证集对模型性能进行改进型红外小目标检测装置与上文描述的一种改进型红外小目标检测方法可相互对应参[0042]此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了一个装置的特征和功能可以进一步