一种时敏目标检测网络及时敏目标消隐方法技术

本发明专利技术公开了一种时敏目标检测网络及时敏目标消隐方法，时敏目标检测网络包括依次相连接的

【技术实现步骤摘要】
一种时敏目标检测网络及时敏目标消隐方法


[0001]本专利技术涉及机器学习
，具体是一种时敏目标检测网络及时敏目标消隐方法
。

技术介绍

[0002]随着图像编辑技术的迅速发展，人们对于智能化
、
快捷化的图像处理需求不断增加
。
因此，涌现了多种算法，从图像去背景，到图像消隐等技术都有专门的算法研究
。
在图像与视频处理
，多目标检测与处理技术一直备受研究者关注
。
许多学者耗费大量时间与财力，致力于创建抗干扰
、
抗噪能力强的检测算法，然而，针对特定目标的消隐算法在检测基础上仍未成熟
。
现有的图像消隐算法基于已标注的图像和待修复的掩码进行修复，称为图像修复算法
。
然而，在视频修复中需要为每一帧标注待消隐区域，这一过程费时且繁琐，此类方法主要针对的是已经生成的视频画面，这些方法每秒仅能处理不到一帧图像，距离视频实时处理仍然具有较大的差距，目前仍然没有一种实时有效的算法可以实现
。

技术实现思路

[0003]本专利技术针对上述问题，提出了一种时敏目标检测网络及时敏目标消隐方法，该方法可用于实现时敏目标的快速检测从而提高目标消隐的时效性
。
[0004]为了实现上述目的，本专利技术采用如下的技术方案予以实现：
[0005]一方面，本专利技术提供了一种时敏目标检测网络，包括依次相连接的
Backbone
子网络
、Neck
子网络和
Head
子网络；具体如下：
[0006]Backbone
子网络：包括依次相连接的
Patch Embedding
模块和三个
Stage
模块，其中，
Stage
模块包括相连接的
Swin Transformer Block
输入层和
CA
‑
Patch Meging
输出层，
CA
‑
Patch Meging
层是在
Patch Meging
层的基础上加了
CA
注意力机制；
[0007]Neck
子网络：包括与三个
Stage
模块输出端相连接的第一
Concat+SECSP
层
、
第二
Concat+SECSP
层和第一
CBS
层；第一
CBS
层的一个输出端
、
第一
CB
层
、
第二
Concat+SECSP
层
、
第二
CBS
层
、
第二
CB
层和第一
Concat+SECSP
层依次连接；第一
CBS
层的第二个输出端连接第四
Concat+SECSP
层的一个输入端；第一
Concat+SECSP
层的一个输出端
、
第三
CB
层
、
第三
Concat+SECSP
层
、
第四
CB
层和第四
Concat+SECSP
层的第二个输入端依次连接；其中，
Concat+SECSP
层包括相连接的
Concat
层和
SECSP
层，
Concat
表示全连接操作；
SECSP
层包括两个并行的
CBS
层，第一个
CBS
层的输出端连接多个相连接的
SE Bottleneck
层，最后一个
SE Bottleneck
层和第二个
CBS
层的输出端共同通过一个
Concat
层连接
CBS
层；
SE Bottleneck
层包括两个
CBS
层
、
融合层和一个
SE attention
层；
CBS
层包括依次相连接的
Conv
层
、BN
层和
Silu
层，它们分别表示卷积
、
批量归一化和
Silu
激活函数；
CB
层包括相连接的
CBAM attention
层和
bicubic UpSample
层；
[0008]Head
子网络：包括三个并列的
Decoupled Head
模块和特征融合模块，第一个
Decoupled Head
模块的输入端连接第一
Concat+SECSP
层的第二个输出端，第二个
Decoupled Head
模块的输入端连接第三
Concat+SECSP
层的输出端，第三个
Decoupled Head
模块的输入端连接第四
Concat+SECSP
层的输出端；三个
Decoupled Head
模块的输出端均连接特征融合模块，特征融合模块用于对三个
Decoupled Head
模块输出的结果进行融合；其中，
Decoupled Head
模块包括第一
CBS
层，第一
CBS
层的两个输出端分别连接两个相连接的
CBS
层，第一组相连接的
CBS
层的输出端通过一个
Conv
层连接
Cls
层，第二组相连接的
CBS
层的两个输出端分别通过一个
Conv
层连接
Reg
层和
Obj
层，
Cls
层
、Reg
层和
Obj
层的输出依次为时敏目标的分类信息
、
位置信息和置信度信息
。
[0009]另一方面，本专利技术还提供一种时敏目标消隐方法，具体包括以下步骤：
[0010]步骤1，构建训练集；
[0011]步骤2，采用训练集对本专利技术的时敏目标检测网络进行训练，得到训练好的时敏目标检测网络；
[0012]步骤3，将待检测的图片进行背景提取得到背景图，然后将待检测的图片输入到步骤2的训练好的时敏目标检测网络，得到时敏目标信息，包括分类信息
、
位置信息和置信度信息；
[0013]步骤4，从步骤3的时敏目标信息中提取时敏目标的位置信息得到位置框，然后将位置框置入步骤3得到的背景图中；将背景图中位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种时敏目标检测网络，其特征在于，包括依次相连接的
Backbone
子网络
、Neck
子网络和
Head
子网络；具体如下：
Backbone
子网络：包括依次相连接的
Patch Embedding
模块和三个
Stage
模块，其中，
Stage
模块包括相连接的
Swin Transformer Block
输入层和
CA
‑
Patch Meging
输出层，
CA
‑
Patch Meging
层是在
Patch Meging
层的基础上加了
CA
注意力机制；
Neck
子网络：包括与三个
Stage
模块输出端相连接的第一
Concat+SECSP
层
、
第二
Concat+SECSP
层和第一
CBS
层；第一
CBS
层的一个输出端
、
第一
CB
层
、
第二
Concat+SECSP
层
、
第二
CBS
层
、
第二
CB
层和第一
Concat+SECSP
层依次连接；第一
CBS
层的第二个输出端连接第四
Concat+SECSP
层的一个输入端；第一
Concat+SECSP
层的一个输出端
、
第三
CB
层
、
第三
Concat+SECSP
层
、
第四
CB
层和第四
Concat+SECSP
层的第二个输入端依次连接；其中，
Concat+SECSP
层包括相连接的
Concat
层和
SECSP
层，
Concat
表示全连接操作；
SECSP
层包括两个并行的
CBS
层，第一个
CBS
层的输出端连接多个相连接的
SE Bottleneck
层，最后一个
SE Bottleneck
层和第二个
CBS
层的输出端共同通过一个
Concat
层连接
CBS
层；
SE Bottleneck
层包括两个
CBS
层
、
融合层和一个
SE attention
层；
CBS
层包括依次相连接的
Conv
层
、BN
层和
Silu

【专利技术属性】
技术研发人员：连方嘉，卢瑞涛，陈骋，王思宇，李志坤，吴金昊，张晟彬，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：