【技术实现步骤摘要】
本专利技术涉及计算机，具体是涉及一种伪装目标和显著目标的联合检测网络训练方法、设备及存储介质。
技术介绍
1、将神经网络分别应用到伪装目标检测任务和显著目标检测任务中是一种常用技术手段，但是由于伪装目标检测任务和显著目标检测任务是存在一定冲突的，在神经网络并未作出任何改进以适应联合检测任务的情况下，若使用这两个任务的数据同时训练神经网络，会降低神经网络在这两个任务上的检测性能。
技术实现思路
1、本专利技术提供一种伪装目标和显著目标的联合检测网络训练方法、设备及存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
2、第一方面，提供一种伪装目标和显著目标的联合检测网络训练方法，所述方法包括：
3、获取第一数据集和第二数据集，所述第一数据集包括若干个显著图像对，所述第二数据集包括若干个伪装图像对；
4、从所述第一数据集中采样多个显著图像对，每个显著图像对包括第一图像和对应的真实显著特征图像，对所述多个显著图像对进行预处理；
5、从所述第二数据集中采样多个伪装图像对，每个伪装图像对包括第二图像和对应的真实伪装特征图像，对所述多个伪装图像对进行预处理；
6、获取联合检测网络并对预处理后的多个第一图像和多个第二图像进行特征提取，得到对应的多个预测显著特征图像和多个预测伪装特征图像；
7、根据所述多个预测显著特征图像、所述多个预测伪装特征图像以及预处理后的多个真实显著特征图像和多个真实
8、根据所述总损失值，利用反向传播算法对所述联合检测网络进行参数优化。
9、进一步地，所述联合检测网络包括顺次连接的编码器、线性层和解码器；
10、所述编码器包括顺次连接的若干个原始变换器，每个原始变换器包括顺次连接的多头注意力层、第一残差连接层、多层感知机和第二残差连接层；
11、所述解码器包括顺次连接的若干个改进变换器，每个改进变换器是通过在原始变换器的输出端增加用于配合执行显著特征检测任务的第一分布学习模块和用于配合执行伪装特征检测任务的第二分布学习模块之后得到的；
12、当所述原始变换器输出一个特征序列时，所述第一分布学习模块在接收到所述特征序列之后将其通过以下表达式进行处理：
13、
14、所述第二分布学习模块在接收到所述特征序列之后将其通过以下表达式进行处理：
15、
16、其中，x1′为所述第一分布学习模块的输出结果，x为所述特征序列，μs为第一可学习均值，σs为第一可学习方差，x2′为所述第二分布学习模块的输出结果，μc为第二可学习均值，μc为第二可学习方差。
17、进一步地，所述获取联合检测网络并对预处理后的多个第一图像和多个第二图像进行特征提取，得到对应的多个预测显著特征图像和多个预测伪装特征图像包括：
18、根据预处理后的多个第一图像，生成对应的多个第一token序列；将所述多个第一token序列输入至所述联合检测网络进行特征提取，同时禁用所有第二分布学习模块，得到对应的多个第二token序列；根据所述多个第二token序列，生成对应的多个第一检测图像；将所述多个第一检测图像进行卷积运算，得到对应的多个预测显著特征图像；
19、根据预处理后的多个第二图像，生成对应的多个第三token序列；将所述多个第三token序列输入至所述联合检测网络进行特征提取，同时禁用所有第一分布学习模块，得到对应的多个第四token序列；根据所述多个第四token序列，生成对应的多个第二检测图像；将所述多个第二检测图像进行卷积运算，得到对应的多个预测伪装特征图像。
20、进一步地，所述第一数据集包含的显著图像对的数量等于所述第二数据集包含的伪装图像对的数量，将所述第二数据集包含的伪装图像对的数量记为m，所述第一数据集通过以下方式获取：
21、获取原始数据集，其包括n个原始显著图像对且n＞m，每个原始显著图像对包括原始图像和对应的原始显著特征图像；
22、利用训练好的显著目标检测网络对n个原始图像进行处理，得到对应的n个第一预测显著特征图像；
23、确定每个第一预测显著特征图像与关联的原始显著特征图像之间的最小均方误差，从n个最小均方误差中筛选出数值最小的m个最小均方误差，将所述m个最小均方误差关联的m个原始图像和m个原始显著特征图像作为第一数据集。
24、进一步地，所述对所述多个显著图像对进行预处理包括：对每个显著图像对包含的第一图像和真实显著特征图像同步进行缩放和数据增广。
25、进一步地，所述对所述多个伪装图像对进行预处理包括：对每个伪装图像对包含的第二图像和真实伪装特征图像同步进行缩放和数据增广。
26、进一步地，所述根据所述多个预测显著特征图像、所述多个预测伪装特征图像以及预处理后的多个真实显著特征图像和多个真实伪装特征图像，确定总损失值包括：
27、利用结构损失函数，确定所述多个预测显著特征图像与预处理后的多个真实显著特征图像之间的第一损失值，以及确定所述多个预测伪装特征图像与预处理后的多个真实伪装特征图像之间的第二损失值；
28、将所述第一损失值和所述第二损失值进行相加，得到总损失值。
29、进一步地，所述方法还包括：
30、获取包含伪装目标和显著目标的待检测图像；
31、利用训练好的联合检测网络对所述待检测图像进行特征提取，得到对应的伪装特征图像和显著特征图像。
32、第二方面，提供一种计算机设备，包括存储器和处理器，所述存储器上存储计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述的伪装目标和显著目标的联合检测网络训练方法。
33、第三方面，提供一种计算机可读存储介质，其上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的伪装目标和显著目标的联合检测网络训练方法。
34、本专利技术至少具有以下有益效果：通过在解码器中引入两个独立的分布学习模型以学习不同目标检测任务的特性，使得联合检测网络可以具备在同一个输入图像中有效可靠地检测出伪装特征和显著特征的能力；通过限定第一数据集中包含的显著图像对的数量与第二数据集包含的伪装图像对的数量相等，避免联合检测网络在训练过程中被数据规模较大的任务所主导，即避免联合检测网络在数据规模较小的任务上性能变差。
本文档来自技高网...【技术保护点】
1.一种伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述联合检测网络包括顺次连接的编码器、线性层和解码器；
3.根据权利要求2所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述获取联合检测网络并对预处理后的多个第一图像和多个第二图像进行特征提取，得到对应的多个预测显著特征图像和多个预测伪装特征图像包括：
4.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述第一数据集包含的显著图像对的数量等于所述第二数据集包含的伪装图像对的数量，将所述第二数据集包含的伪装图像对的数量记为M，所述第一数据集通过以下方式获取：
5.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述对所述多个显著图像对进行预处理包括：对每个显著图像对包含的第一图像和真实显著特征图像同步进行缩放和数据增广。
6.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述
7.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述根据所述多个预测显著特征图像、所述多个预测伪装特征图像以及预处理后的多个真实显著特征图像和多个真实伪装特征图像，确定总损失值包括：
8.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述方法还包括：
9.一种计算机设备，包括存储器和处理器，所述存储器上存储计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至8任一项所述的伪装目标和显著目标的联合检测网络训练方法。
10.一种计算机可读存储介质，其上存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的伪装目标和显著目标的联合检测网络训练方法。
...【技术特征摘要】
1.一种伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述联合检测网络包括顺次连接的编码器、线性层和解码器；
3.根据权利要求2所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述获取联合检测网络并对预处理后的多个第一图像和多个第二图像进行特征提取，得到对应的多个预测显著特征图像和多个预测伪装特征图像包括：
4.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述第一数据集包含的显著图像对的数量等于所述第二数据集包含的伪装图像对的数量，将所述第二数据集包含的伪装图像对的数量记为m，所述第一数据集通过以下方式获取：
5.根据权利要求1所述的伪装目标和显著目标的联合检测网络训练方法，其特征在于，所述对所述多个显著图像对进行预处理包括：对每个显著图像对包含的第一图像和真实显著特征图像同步进行缩放和数据增广。
...【专利技术属性】
技术研发人员：余梓彤，郝超，谢怡萍，杨静，刘鑫，
申请(专利权)人：大湾区大学筹，
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。