智能红外弱小目标检测方法、装置、电子设备及介质制造方法及图纸

本发明专利技术提供一种智能红外弱小目标检测方法、装置、电子设备及介质，涉及红外目标检测和红外遥感图像处理技术领域。该方法在传统的ACM算法的基础上，首先对其特征融合模块进行了改进，其次在特征提取模块的各阶段向特征融合模块的通路上增加了上下文信息提取模块。待测图像在输入网络之后，首先经过特征提取模块，分别在三个阶段得到三个不同尺度的第一特征图。随后，三个第一特征图分别通过上下文信息提取模块与多尺度特征融合模块逐个进行融合。得到最终的融合后的目标特征图之后，可以将该目标特征图通过一个检测头获得最终的检测结果。本发明专利技术可以解决ACM算法存在的问题，达到更好的红外小目标检测性能。到更好的红外小目标检测性能。到更好的红外小目标检测性能。

【技术实现步骤摘要】
智能红外弱小目标检测方法、装置、电子设备及介质


[0001]本专利技术涉及红外目标检测和红外遥感图像处理
，尤其涉及一种智能红外弱小目标检测方法、装置、电子设备及介质。

技术介绍

[0002]红外检测与跟踪系统在航空航天、海面救援等
都有着颇为广泛的应用，主要为探测船舶具有高辐射特性的目标。然而，由于红外成像距离相对较远、红外探测器性能较差等原因，使得目标成像后多表现为弱小的点状目标，缺乏明显的纹理与几何等结构信息，且图像中存在的同样具有高辐射特性的复杂背景、噪声或杂波很容易造成目标边缘模糊，甚至直接淹没目标。因此，对复杂背景下的红外弱小目标进行准确的检测是红外检测与跟踪系统领域的关键问题，也是具有一定挑战性的问题。
[0003]传统的红外弱小目标检测方法主要分为以下三类：（1）基于背景一致性假设的方法；（2）基于人类视觉系统的显著性特征提取方法；（3）基于稀疏和低秩矩阵恢复的方法。传统方法通过对问题进行人为的分析假设，或手工设计相应的检测特征，由此实现对红外弱小目标的检测任务。然而此类方法由于假设或特征设计中的人为性，检测效果会十分依赖其假设或设计特征的可靠性，因此方法的效果上限也相对有限。
[0004]受深度学习影响，Dai等人于2019年提出了一种非对称上下文融合卷积神经网络(ACM)，用于实现红外小目标检测，在准确性与鲁棒性上都达到了当时最佳的水平，其整体结构如图1a所示。该方法以特征金字塔网络为骨架，将待测图像输入网络之后，首先通过特征提取网络得到三个不同尺度下的特征，然后再从最深层的特征开始与浅层特征逐步融合，最终获得通过特征表示得到的检测结果。
[0005]ACM算法的核心主要在于其特征融合模块，其具体结构如图1b所示。在多尺度特征提取网络获得的特征中，越深层次的特征拥有越大的感受野，包含了更多的语义信息，但同时也丢失了更多的空间细节；反之，浅层次的特征拥有更为丰富的空间细节，但是语义信息并不突出。因此，ACM算法在融合不同尺度特征时采用了不同的处理方式。对浅层特征，多尺度特征融合模块使用两层1
×
1卷积对其空间细节进行着重提取，以获得空间注意力信息；对深层特征，多尺度特征融合模块则首先进行全局池化，再做自编码器操作，由此进行语义信息的提取，获得通道注意力信息。最后将两个不同尺度的特征获得的注意力进行相互指导，即用深层特征获得的通道注意力指导浅层特征，用浅层特征获得的空间注意力指导深层特征，再将两者结合起来，得到最终融合的结果。
[0006]Dai提出的ACM算法在当时获得了最佳的结果。然而，该方法依然存在一些问题。一方面，当图像中存在多个较为分散的目标时，由于多尺度特征融合模块中使用全局池化进行注意力的计算，训练结果会将注意力放在最为显著的目标上，而对显著性较弱的目标会有所忽略，从而导致在面对具有多个分散目标的检测问题时，算法只能检测得到其中较为明显的几个目标，而对其他目标产生漏检；另一方面，ACM算法的多尺度特征融合模块在对低层特征进行处理时，连续两层使用了1
×
1卷积进行特征提取。这种只使用了单像素信息
的操作会忽略周围像素的信息，因此在与上采样得到的深层特征融合时，不能有效对边缘特征进行精准定位，导致部分检测结果的边缘不准确，尤其在面对部分边缘较为复杂的目标时，检测得到的目标形状往往与实际结果有所出入。

技术实现思路

[0007]鉴于上述问题，本专利技术提供了一种智能红外弱小目标检测方法、装置、电子设备及介质。
[0008]本专利技术的第一方面提供了一种智能红外弱小目标检测方法，包括：步骤S1，获取待测图像，将所述待测图像输入预设的特征提取模块，提取所述待测图像中的不同尺度的多个第一特征图；步骤S2，使用预设的上下文信息提取模块，提取所述多个第一特征图包含的不同距离的多个上下文信息，得到带有上下文信息的多个第二特征图；步骤S3，使用预设的多尺度特征融合模块，在所述多个第二特征图中，从最深层的第二特征图开始，对于深层特征图和浅层特征图采用不同的处理方式，获得所述深层特征图对应的通道注意力信息以及所述浅层特征图对应的空间注意力信息；步骤S4，使用所述通道注意力信息来指导所述浅层特征图，使用所述空间注意力信息来指导所述深层特征图，再将指导后的浅层特征图和指导后的深层特征图逐步进行融合，获得融合后的目标特征图；步骤S5，根据所述融合后的目标特征图，输出红外弱小目标的检测结果。
[0009]本专利技术的第二方面提供了一种智能红外弱小目标检测装置，包括：特征提取模块，用于获取待测图像，提取所述待测图像中的不同尺度的多个第一特征图；上下文信息提取模块，用于提取所述多个第一特征图包含的不同距离的多个上下文信息，得到带有上下文信息的多个第二特征图；多尺度特征融合模块，用于在所述多个第二特征图中，从最深层的第二特征图开始，对于深层特征图和浅层特征图采用不同的处理方式，获得所述深层特征图对应的通道注意力信息以及所述浅层特征图对应的空间注意力信息；以及，使用所述通道注意力信息来指导所述浅层特征图，使用所述空间注意力信息来指导所述深层特征图，再将指导后的浅层特征图和指导后的深层特征图逐步进行融合，获得融合后的目标特征图；检测头模块，用于根据所述融合后的目标特征图，输出红外弱小目标的检测结果。
[0010]本专利技术的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述智能红外弱小目标检测方法。
[0011]本专利技术的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述智能红外弱小目标检测方法。
[0012]与现有技术相比，本专利技术提供的智能红外弱小目标检测方法、装置、电子设备及介质，至少具有以下有益效果：（1）传统的ACM算法中的多尺度特征融合模块在处理深层特征时，采用了一个全局池化，以便网络对其通道注意力进行计算。这一设计造成在面对多个较为分散的目标时，网络会更侧重于显著性更高的目标而忽略显著性较低的目标，从而导致漏检。针对此问题，本专利技术在多尺度特征融合模块中处理深层特征的部分增加了一条支路，使网络在融合过程中对深层特征的通道注意力进行计算时能够对显著性较低的目标进行兼顾。
[0013]（2）传统的ACM算法的多尺度特征融合模块在对浅层特征进行处理时，只使用了连
续两层1
×
1的卷积对其中的空间细节进行提取，这一设计忽略了周围像素带有的上下文信息，使得网络面对部分目标的边缘定位不够准确，尤其在目标边缘较为复杂的情况下，检测得到的结果会与实际结果存在较大出入。针对这一问题，为充分利用图像中的上下文信息，本专利技术在特征提取模块与多尺度特征融合模块的连接处增加了上下文信息的提取模块，以便更充分利用图像中的上下文信息。
附图说明
[0014]通过以下参照附图对本专利技术实施例的描述，本专利技术的上述以及其他目的、特征和优点将更为清楚，在附图中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能红外弱小目标检测方法，其特征在于，包括：步骤S1，获取待测图像，将所述待测图像输入预设的特征提取模块，提取所述待测图像中的不同尺度的多个第一特征图；步骤S2，使用预设的上下文信息提取模块，提取所述多个第一特征图包含的不同距离的多个上下文信息，得到带有上下文信息的多个第二特征图；步骤S3，使用预设的多尺度特征融合模块，在所述多个第二特征图中，从最深层的第二特征图开始，对于深层特征图和浅层特征图采用不同的处理方式，获得所述深层特征图对应的通道注意力信息以及所述浅层特征图对应的空间注意力信息；步骤S4，使用所述通道注意力信息来指导所述浅层特征图，使用所述空间注意力信息来指导所述深层特征图，再将指导后的浅层特征图和指导后的深层特征图逐步进行融合，获得融合后的目标特征图；步骤S5，根据所述融合后的目标特征图，输出红外弱小目标的检测结果。2.根据权利要求1所述的智能红外弱小目标检测方法，其特征在于，在步骤S1，所述特征提取模块包括三个阶段，每个阶段都包含多个由残差卷积层组成的卷积块。3.根据权利要求1所述的智能红外弱小目标检测方法，其特征在于，在步骤S1，将所述待测图像输入预设的特征提取模块之前，还包括：采用stem模块对所述待测图像进行初步的特征提取。4.根据权利要求1所述的智能红外弱小目标检测方法，其特征在于，在步骤S2，所述上下文信息提取模块使用不同膨胀率的三个空洞卷积层，来提取不同距离的上下文信息。5.根据权利要求4所述的智能红外弱小目标检测方法，其特征在于，在所述上下文信息提取模块中，对每个所述第一特征图按照以下方式进行信息提取：步骤S21，将输入的第一特征图分别经过三个支路，所述三个支路的对应的空洞卷积层的膨胀率互不相同，在每个支路中，该第一特征图先会通过一个卷积核大小与膨胀率相等的卷积层进行初步处理，再通过空洞卷积层，获得支路结果；步骤S22，将所述三个支路对应的支路结果进行拼接，再使用1
×
1的卷积对通道数进行调整，获得调整后的支路结果；步骤S23，将所述调整后的支路结果与所述输入的第一特征图相加，得到所述输入的第一特征图包含的上下文信息，形成第二特征图。6.根据权利要求1所述的智能红外弱小目标检测方法，其特征在于，在步骤S3，所...

【专利技术属性】
技术研发人员：王子铭，刘雨菡，潘宗序，胡玉新，雷斌，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：