【技术实现步骤摘要】
本专利技术属于红外弱小目标，具体涉及一种基于长短期记忆的密集嵌套网络的红外弱小目标检测方法。
技术介绍
1、红外弱小目标检测是指在红外图像中，探测并定位尺寸较小、能量较弱的物体。其应用范围广泛，例如侦查、安防监控等领域。传统的红外弱小目标检测算法基于目标和背景之间频率或亮度差异等先验信息来实现目标检测，典型的检测算法包括基于滤波器的算法，基于局部对比度的方法以及基于矩阵的稀疏低秩分解的方法，这些方法大都依赖于强先验信息，对特定场景和特定目标具有较好的效果，对复杂的背景和形状复杂的目标的鲁棒性较差。
2、深度学习算法是指利用神经网络对数据集进行训练，提取图像中的特征，并通过分类器判断区域是否为目标。由于深度学习算法具有良好的自适应性和智能化，近年来在红外弱小目标检测领域取得了不少进展。常用的深度学习方法是基于卷积神经网络(cnn)的目标检测算法。该算法通过不断迭代优化卷积核来提取图像中的特征，并利用分类器对目标进行识别和定位。该算法具有较好的鲁棒性和准确性，能够有效地处理目标尺寸、形态的变化，并且能够同时处理多个目标。在实际应用中，cnn可以采用一些先进的模型，如faster r-cnn、yolo、ssd等，这些模型已经被证明在目标检测中具有较好的效果。尽管最近网络的性能不断提高，但深层中小目标的特征损失仍然存在。这个问题最终导致对显着场景变化的鲁棒性较差，还存在进一步的改进空间。
技术实现思路
1、本专利技术的目的是针对现有基于卷积神经网络的目标检测算法存在的不足，将其
2、为此，本专利技术提供了一种基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，先利用长短期记忆模块构造图像序列，并选择性的遗忘和记忆输入的图像，该模块每次迭代输出的张量结果作为本专利技术方法的网络输入，对进行下采样和多级上采样进行特征的提取，并多次使用长短跳跃连接进行特征的拼接；使用自注意力对每个上采样和下采样节点进行特征增强；并在最后将每一层最后一个节点输出的特征图经过上采样恢复到同样的尺度并进行特征融合，最后通过聚类算法判断目标位置并输出包含目标位置的二值图。
3、为此，本专利技术提供了基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，包括如下步骤：
4、步骤一：使用长短时记忆模块作为网络的输入，对原始图像和上一时刻的输出图像进行拼接，从而增加对目标周围上下文的注意力；
5、步骤二：将记忆模块的输出结果输入到密集嵌套网络中，提取并融合输入图像目标的多尺度特征信息，并在每次特征提取的节点加入自注意力机制，从而增强对目标特征的提取能力；
6、步骤三：通过连通域聚类算法对目标进行定位并输出包含目标位置的二值图。
7、进一步的，所述步骤一：使用长短时记忆模块作为网络的输入，对原始图像和上一时刻的输出图像进行拼接，从而增加对目标周围上下文的注意力的具体过程是：
8、步骤201：先对输入图像进行一次编码将图像通道升为32，所得到的张量形状为input＝[batch，32，640，512]；
9、步骤202：构建初始的隐节点h0＝zeros(batch，32，640，512)以及单元状态c0＝zeros(batch，32，640，512)，将input视为当前状态输入xt，将h0和c0视为上一状态隐藏节点ht-1，ct-1，将xt与ht-1进行拼接得到当前状态记忆模块的输入yt＝[xt，ht-1]；由此可以计算出遗忘门ft，输入门it，单元状态更新值以及输出门ot：
10、ft＝sifmoid(conv_f([yt])+bf) (1)
11、it＝sifmoid(conv_i([yt])+bi) (2)
12、
13、ot＝sifmoid(conv_o([yt])+bo) (4)
14、其中，conv_f，conv_i，conv_c，conv_o均表示卷积操作，bf，bi，bc，bo表示网络的偏置参数，用来学习需要遗忘和记忆的特征，ft表示ct-1的那些特征被用于计算ct，it表示的哪些特征被用于更新ct；通过公式(4)(5)来更新当前单元状态ct和ht；
15、
16、ht＝ot×tanh (ct) (6)
17、其中，ct是经过更新后的单元状态值，ht是经过更新后的隐藏节点值，将ht输入到密集嵌套网络中，得到下一状态的输入值xt；
18、步骤203：重复循环步骤202中的结构6次，将最后一次的网络输出值作为最终的输出。
19、进一步的，所述步骤二：将记忆模块的输出结果输入到密集嵌套网络中，提取并融合输入图像目标的多尺度特征信息，并在每次特征提取的节点加入自注意力机制，从而增强对目标特征的提取能力的具体过程是：
20、步骤301：将输入张量为为初始节点，设这个节点为nodei，j，简称为n1，1，将n1，1进行连续的下采样三次，得到节点n2，1，n3，1，n4，1，对于新生成的三个节点分别进行多次上采样和下采样操作，并长短跳跃连接，得到完整的密集嵌套网络，其中，每个节点为ni，j(i∈0，1，…，i，j∈0，1，…j)；
21、步骤302：将每个节点输出的特征通过不同的权重分为query、key和value三个变量qi，j，ki，j，vi，j：
22、qi，j＝wq·fi，j (7)
23、ki，j＝wk·fi，j (8)
24、vi，j＝wv·fi，j (9)
25、其中，fi，j表示每个节点ni，j输入的特征图；利用得到的qi，j和ki，j计算每两个输入向量之间的相关性，也就是计算注意力得分的矩阵a：
26、ai，j＝(ki，j)t·qi，j (10)
27、对注意力得分矩阵a进行使用softmax进行归一化计算，凸显矩阵中最大的值并抑制远低于最大值的其他分量，增加对目标的关注程度，最后与值矩阵vi，j相乘得到自注意力加强后的特征矩阵
28、
29、通过特征金字塔模块将网络底层输入的特征图进行上采样，将特征图恢复到最高层的尺度得到特征图再进行拼接融合，得到最终的特征图f:
30、
31、进一步的，所述步骤三：通过连通域聚类算法对目标进行定位并输出包含目标位置的二值图的具体过程是：
32、在特征本文档来自技高网...
【技术保护点】
1.一种基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，其特征在于：所述步骤一：使用长短时记忆模块作为网络的输入，对原始图像和上一时刻的输出图像进行拼接，从而增加对目标周围上下文的注意力的具体过程是：
3.如权利要求1所述的基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，其特征在于：所述步骤二：将记忆模块的输出结果输入到密集嵌套网络中，提取并融合输入图像目标的多尺度特征信息，并在每次特征提取的节点加入自注意力机制，从而增强对目标特征的提取能力的具体过程是：
4.如权利要求1所述的基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，其特征在于：所述步骤三：通过连通域聚类算法对目标进行定位并输出包含目标位置的二值图的具体过程是：
【技术特征摘要】
1.一种基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于长短期记忆的密集嵌套网络的红外弱小目标检测方法，其特征在于：所述步骤一：使用长短时记忆模块作为网络的输入，对原始图像和上一时刻的输出图像进行拼接，从而增加对目标周围上下文的注意力的具体过程是：
3.如权利要求1所述的基于长短期记忆的密集嵌套网络的红外弱...
【专利技术属性】
技术研发人员：陈继铭，刘伟，段程鹏，
申请(专利权)人：西安中科立德红外科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。