【技术实现步骤摘要】
本专利技术涉及红外小目标检测，具体的说是基于选择排序感知注意力机制的红外小目标检测方法。
技术介绍
1、红外成像是一种被动式热传感技术，通过捕获物体发射的热辐射来被动刻画视场环境，可通过视觉障碍物如雾霾和烟雾识别远处目标，不受光线条件的影响的优势。这项技术在军事和民用领域都扮演着重要角色，包括监视、边境安全以及搜索和救援任务。因此，准确地探测远距离红外小目标是这些应用的关键。虽然红外成像在辨识远距目标方面具有较大优势，但红外小目标的精细检测普遍受到以下两个挑战，显著限制了其在实际应用中的效果：1)
2、缺乏显著特征：小目标通常缺乏足够的显著特征，仅使用局部目标信息难以将其与视觉上相似的非红外小目标区分开；2)低信杂比：红外小目标与杂乱背景的对比度通常很低，导致其信杂比小、可识别性低，从而阻碍其精准检测。
3、针对上述挑战，许多红外小目标检测方法已被提出，分为经典的信号处理技术和新兴的深度学习范式。经典的检测技术通常将红外小目标视为准静态背景中的异常区域，应用局部对比度度量或稀疏低秩分解进行目标-背景分离。局部对比度方法通常依赖于预设的细胞结构和简单的强度或熵度量，这可能导致不精确的目标刻画。稀疏加低秩方案利用背景自相似性来分离目标，但由于其依赖于低级别特征，致使其在区分真实目标与类似噪声时往往会出现问题。目前基于深度学习的策略也已大量被运用于该领域，其通过优先考虑多层次上下文信息的融合，旨在弥合详细的目标特征和更广泛的场景上下文之间的差距。
4、尽管红外小目标检测技术不断取得进步，但在特征提取
技术实现思路
1、为了解决现有技术中的不足，本专利技术提供一种基于选择排序感知注意力机制的红外小目标检测方法，检测结果精确度更高，并且稳定性强。
2、为了实现上述目的，本专利技术采用的具体方案为：基于选择排序感知注意力机制的红外小目标检测方法，包括如下步骤：
3、通过包含有差分卷积和膨胀卷积的卷积组合对预处理后的红外图像进行特征提取，得到特征张量；
4、对特征张量进行排序感知特征选择，从特征张量的各特征通道中筛选出多个特征点，并且拼接出选择特征矩阵；
5、对选择特征矩阵进行位置配位生成位置信息矩阵，并且基于选择特征矩阵和位置信息矩阵计算最优排序特征；
6、通过逐通道注意力感知对最优排序特征进行优化，得到目标特征；
7、依次对目标特征进行编码得到编码特征、对编码特征进行解码得到解码特征；
8、将编码特征和解码特征进行融合得到融合特征，并且基于融合特征得到检测结果。
9、作为上述基于选择排序感知注意力机制的红外小目标检测方法的进一步优化：通过卷积组合对预处理后的通道尺寸为h×w×c的红外图像进行特征提取的方法包括：
10、对红外图像依次进行三次标准卷积处理得到第一卷积图像；
11、对红外图像进行差分卷积得到第二卷积图像；
12、对红外图像依次进行三次膨胀卷积得到第三卷积图像；
13、将第一卷积图像、第二卷积图像和第三卷积图像拼接得到特征张量。
14、作为上述基于选择排序感知注意力机制的红外小目标检测方法的进一步优化：对特征张量进行排序感知特征选择的具体方法包括：
15、通过top-k算法从特征张量的每个通道中选取k个特征点，形成特征向量[f1，f2，...，fk]，其中，o为偏移量；
16、将所有特征向量沿纵轴进行拼接得到选择特征矩阵：
17、
18、其中，[l1，l2，...，lk]表示所选取的特征点的坐标信息，concat()为合并函数。
19、作为上述基于选择排序感知注意力机制的红外小目标检测方法的进一步优化：对选择特征矩阵进行位置配位生成位置信息矩阵的具体方法包括：
20、通过sin/cos位置编码方法构造特征点的位置编码矩阵
21、
22、其中，pos＝[0，1，…，h]表示输入序列的位置，d＝[0，2，...，w]·exp(-log(10000)/w)用于计算位置编码中的sin和cos分量；
23、基于l和位置编码矩阵e中特征点的对应位置生成位置向量[p1，p2，...，pk]；
24、拼接所有位置向量得到位置信息矩阵：
25、
26、将选择特征矩阵和f和位置信息矩阵p相加得到最优排序特征：
27、其中x为红外图像。
28、作为上述基于选择排序感知注意力机制的红外小目标检测方法的进一步优化：通过逐通道注意力感知对最优排序特征进行优化的具体方法包括：
29、将最优排序特征转换为查询矩阵q和关键矩阵k：
30、
31、计算通道自注意力矩阵qkt，并且通过归一化指数函数softmax进行归一化得到注意力得分和注意力图；
32、通过残差连接输出目标特征：
33、
34、其中，μ和σ是通道自注意力矩阵的平均值和标准差。
35、作为上述基于选择排序感知注意力机制的红外小目标检测方法的进一步优化：对目标特征进行编码得到的编码特征为对目标特征进行解码得到的解码特征为将编码特征和解码特征融合后得到的融合特征为u＝concat(x，x′)。
36、作为上述基于选择排序感知注意力机制的红外小目标检测方法的进一步优化：基于融合特征的元素乘积得到检测结果的具体方法包括：
37、对融合特征进行通道平均和最大池化：
38、其中表示通道平均，表示最大池化，其中saavg和samax是通道平均空间和最大池化空间的特征描算子；
39、将通道平均和最大池化的结果连接形成聚合特征，并且将聚合特征转换为n个空间注意力图：
40、其中为卷积操作；
41、基于空间注意力图计算编码特征和解码特征的逐元素乘积得到检测结果：
42、其中，σ(·)表示sigmoid函数。
43、作为上述基于选择排序感知注意力机制的红外小目标检测方法的进一步优化：所述方法由训练好的检测模型执行，检测模型包括组合卷积模块、选择排序感知注意力模块和特征融合模块。
44、有益效果：本文档来自技高网...
【技术保护点】
1.基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，通过卷积组合对预处理后的通道尺寸为H×W×C的红外图像进行特征提取的方法包括：
3.如权利要求1所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，对特征张量进行排序感知特征选择的具体方法包括：
4.如权利要求3所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，对选择特征矩阵进行位置配位生成位置信息矩阵的具体方法包括：
5.如权利要求4所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，通过逐通道注意力感知对最优排序特征进行优化的具体方法包括：
6.如权利要求5所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，对目标特征进行编码得到的编码特征为对目标特征进行解码得到的解码特征为将编码特征和解码特征融合后得到的融合特征为U＝Concat(x，x′)。
7.如权利要求6所述的基于选择排序感知注意
8.如权利要求1所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，所述方法由训练好的检测模型执行，检测模型包括组合卷积模块、选择排序感知注意力模块和特征融合模块。
...【技术特征摘要】
1.基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，通过卷积组合对预处理后的通道尺寸为h×w×c的红外图像进行特征提取的方法包括：
3.如权利要求1所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，对特征张量进行排序感知特征选择的具体方法包括：
4.如权利要求3所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征在于，对选择特征矩阵进行位置配位生成位置信息矩阵的具体方法包括：
5.如权利要求4所述的基于选择排序感知注意力机制的红外小目标检测方法，其特征...
【专利技术属性】
技术研发人员：戴一冕，周飞，王欢，潘培文，付麦霞，李翔，李宇轩，戴群，罗奇梁，段宇乐，牛营营，李寅生，
申请(专利权)人：河南工业大学，
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。