一种基于域对抗特征融合网络的林火烟雾检测方法技术

本发明专利技术实施例公开了一种基于域对抗特征融合网络的林火烟雾检测方法，包括：预先构建域对抗特征融合网络；获取森林火灾烟雾图像，根据森林火灾烟雾图像建立烟雾图像数据集；用预特征融合网络对烟雾图像数据集进行特征提取，再进行特征融合；融合后的特征同时被送入标签预测器进行图像分类和对抗特征自适应网络进行域判别；对分类损失和域对抗损失进行高效的联合优化。本发明专利技术基于有监督学习方法搭建域对抗特征融合网络，通过学习更具有辨别性和环境自适应性的森林火灾烟雾特征，提高检测方法面向不同林区检测环境的稳定性和泛化能力，实现森林火灾烟雾的高精度识别，提高烟雾检测效率和性能。效率和性能。效率和性能。

【技术实现步骤摘要】
一种基于域对抗特征融合网络的林火烟雾检测方法


[0001]本专利技术涉及森林火灾烟雾检测
，具体涉及一种基于域对抗特征融合网络的林火烟雾检测方法。

技术介绍

[0002]森林火灾具有突发性强和破坏性大等特点，不仅威胁着人们的生命财产安全，还会破坏生态环境。因此，森林火灾发生初期的自动检测与及时预警对于保护森林资源、降低灾害损失具有重要意义。
[0003]传统基于图像的火灾烟雾检测方法依赖于先验知识手工提取烟雾的浅层特征，并将一种至多种特征送入有监督分类器训练。该方法适用于固定场景的火灾烟雾检测，一旦测试场景发生改变，算法性能就会降低。
[0004]现有基于深度神经网络的火灾烟雾检测方法能够自动提取深层及抽象的烟雾特征，实现端到端的自动检测。
[0005]有研究者为提取更具有辨别性的烟雾特征，将传统方法与深度学习方法相结合，既能够提取浅层烟雾特征也能够提取深层烟雾特征，不同尺度融合的烟雾特征更具有辨别性，在确保低误报率的前提下，提高火灾烟雾检测的准确率。
[0006]但是传统的烟雾检测方法通常只能提取一种至两种烟雾的浅层特征及细节信息。此外，基于ImageNet预训练的卷积神经网络倾向于使用局部纹理特征来进行分类而不是全局轮廓和颜色信息。
[0007]最近，有研究者为解决上述问题，提出了用于森林火灾烟雾图像检测的双通道深度卷积神经网络。实验结果表明这种方法比传统方法与深度学习方法相结合的烟雾检测方法具有更强的特征学习能力。
[0008]森林火灾烟雾检测方法在实际应用中存在的另一个关键问题是，当出现未知林区环境及陌生林地场景时，现有森林火灾烟雾检测方法无法直接迁移到新林区场景，主要原因是视觉特征发生了域偏移。而现有的森林火灾烟雾图像检测方法通常只针对如何学习具有辨别性烟雾特征问题进行研究，而忽略了场景变化造成的域偏移问题。

技术实现思路

[0009]针对现有技术存在的上述缺陷，本专利技术实施例的目的在于提供一种基于域对抗特征融合网络的林火烟雾检测方法，重点针对林区自然环境中云和雾等相似性因素、监测距离和烟雾发生时刻因素以及林区地形环境多样性因素，从辨别性特征学习和域偏移这两个方面来解决问题。
[0010]为实现上述目的，本专利技术实施例提供了一种基于域对抗特征融合网络的林火烟雾检测方法，包括：
[0011]预先构建域对抗特征融合网络，所述域对抗特征融合网络包括特征融合网络、标签预测器以及对抗特征自适应网络；
[0012]获取森林火灾烟雾图像，根据所述森林火灾烟雾图像建立烟雾图像数据集；
[0013]采用所述特征融合网络对所述烟雾图像数据集进行特征提取及特征融合；
[0014]融合后的特征同时被送入所述标签预测器进行图像分类和所述对抗特征自适应网络进行域判别，得到分类损失和域对抗损失；
[0015]对分类损失和域对抗损失进行高效的联合优化。
[0016]作为本申请的一种具体实现方式，所述特征融合网络为基于密集空洞卷积神经网络和注意力跳跃连接网络的双通道卷积神经网络。
[0017]作为本申请的一种具体实现方式，采用所述特征融合网络对所述烟雾图像数据集进行特征提取及特征融合，具体为：
[0018]使用空洞卷积代替密集块中的普通卷积，以增大特征图感受野，实现对烟雾周边背景信息的捕获；
[0019]使用所述密集空洞卷积神经网络提取图像局部背景信息及烟雾抽象特征；
[0020]使用的注意力跳跃连接网络是以AlexNe为基本框架的浅层神经网络，用来提取像颜色和轮廓这种浅层且详细的烟雾特征；
[0021]采用双通道卷积神经网络实现烟雾抽象特征和详细特征的融合，可以提取出更具有辨别性的烟雾特征。
[0022]进一步地，使用的密集空洞卷积神经网络由疑似烟雾候选区域分割策略和特征提取网络两部分构成。采用所述特征融合网络对所述烟雾图像数据集进行特征提取可描述为：
[0023]首先，引入疑似烟雾候选区域分割策略排除图像中无关干扰物体，提出了基于空洞卷积的深度神经网络来进一步检测疑似烟雾候选区域。
[0024]其次，为了增大特征图的感受野，实现对局部背景重要信息的捕获，采用空洞卷积代替密集块中的普通卷积层，通过空洞密集块增强烟雾及其背景特征信息的传递，实现融合背景信息的烟雾特征表示。
[0025]与普通卷积层相比，空洞卷积层中的卷积核在其参数之间有空洞，这不仅扩大了感受野还不会增加训练参数量。
[0026]进一步地，除了采用跳跃连接方式来增加网络间的信息传递，避免传递过程中信息缺失，本申请还通过多尺度通道注意力模块提高网络全局信息的表征能力。其中，注意力机制通过关注重要的特征和忽略不必要的信息来提高网络表征的可判别性，其关键思想是，通过改变空间池化的大小实现多尺度的通道注意。为了使模型尽可能轻量化，只在注意力模块内将局部信息添加到全局信息中。模块选择点式卷积作为局部通道信息聚合器，因此它只利用每个空间位置的点式通道相互作用。
[0027]进一步地，当特征融合网络将融合后的特征同时送入标签预测器进行图像分类和对抗自适应网络进行域判别时，采用对抗特征自适应网络实现面向不同林区环境的自适应烟雾特征提取。对抗特征自适应网络采用领域对抗训练方法提高烟雾检测网络的学习能力和泛化能力。这种方法不仅提高了网络的特征表示能力，还能迫使网络整合长距离的空间信息。
[0028]进一步地，对分类损失和域对抗损失进行高效的联合优化时，域对抗特征融合网络的总损失函数包括标签预测器G
l
的损失值L
l
(G
l
(G
f
(x,θ
f
),θ
l
),y)和对抗特征自适应网络
G
d
的损失值L
d
(G
d
(G
f
(x,θ
f
),θ
d
),d)，因此，算法的完整目标函数为：
[0029][0030]其中，标签预测器G
l
通过最小化器目标函数进行更新，对抗特征自适应网络G
d
通过最大化器目标函数进行更新，公式分别表示为：
[0031][0032][0033]θ
f
表示特征融合网络的学习参数，G
f
为融合特征。
[0034]实施本专利技术实施例，具有如下有益效果：
[0035]提出了一种基于域对抗特征融合网络的林火烟雾检测方法。该方法中，为提取更具有辨别性的烟雾特征，采用双通道卷积神经网络实现烟雾抽象特征和详细特征的融合。密集空洞卷积神经网络用于提取深层及抽象的特征，注意力跳跃连接网络用于提取浅层及详细的特征。融合后的特征同时被送入标签预测器进行图像分类和对抗特征自适应网络进行域判别，充分利用双通道深度神经网络和域对抗网络的优势相互补充，通过学习更具有辨别性和环境自适应性的森林火灾烟雾特征，提高了检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于域对抗特征融合网络的林火烟雾检测方法，其特征在于，包括：预先构建域对抗特征融合网络，所述域对抗特征融合网络包括特征融合网络、标签预测器以及对抗特征自适应网络；获取森林火灾烟雾图像，根据所述森林火灾烟雾图像建立烟雾图像数据集；采用所述特征融合网络对所述烟雾图像数据集进行特征提取及特征融合；融合后的特征同时被送入所述标签预测器进行图像分类和所述对抗特征自适应网络进行域判别，得到分类损失和域对抗损失；对分类损失和域对抗损失进行高效的联合优化。2.如权利要求1所述的方法，其特征在于，所述特征融合网络为基于密集空洞卷积神经网络和注意力跳跃连接网络的双通道卷积神经网络；密集空洞卷积神经网络由疑似烟雾候选区域分割策略和特征提取网络两部分构成；注意力跳跃连接网络是以AlexNet为基本框架的浅层神经网络。3.如权利要求2所述的方法，其特征在于，采用所述特征融合网络对所述烟雾图像数据集进行特征提取及特征融合，具体为：使用所述密集空洞卷积神经网络提取图像局部背景信息及烟雾抽象特征；使用所述注意力跳跃连接网络提取包括颜色和轮廓的烟雾详细特征；采用所述双通道卷积神经网络实现所述烟雾抽象特征和烟雾详细特征的融合。4.如权利要求2...

【专利技术属性】
技术研发人员：张军国，张长春，赵雨诺，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：