【技术实现步骤摘要】
本专利技术属于伪装物体检测方法，涉及基于多线索滑动窗口注意力的伪装物体检测方法。
技术介绍
1、伪装物体检测指的是通过各种技术克服由伪装产生的视觉障碍，实现对图像中通过伪装而隐藏起来的物体的准确检测。近年来，伪装物体检测在计算机视觉领域中变得越来越重要，有关伪装物体检测的研究推动了诸多下游任务的发展并为其提供新的解决方法，如医学领域的息肉分割、生物学领域的物种鉴别、农业领域的害虫防治、工业领域的缺陷检测和军事领域的反伪装。
2、传统的伪装检测方法主要依赖手工设计的特征来检测伪装物体，如颜色、纹理等，这些方法通常依赖于人工提取特征，能够解决简单情况下的伪装物体检测，但是在复杂场景下，检测性能急剧下降，无法满足对伪装物体的检测要求。随着深度学习的发展，基于深度学习的伪装物体检测方法得到了广泛研究。这些方法可以结合边缘、纹理、深度等特征来检测伪装物体。与传统方法相比，基于深度学习的方法能够从大量数据中学习特征表示，自适应地提取对伪装物体检测有效特征，并且具备较高准确性。然而，即使是目前最先进的基于深度学习的伪装物体检测方法，在各种复杂场景和劣化条件下，例如与背景的高相似度、目标物体的小尺寸、被遮挡等，表现出的检测性能仍然无法令人满意。
技术实现思路
1、本专利技术的目的是提供基于多线索滑动窗口注意力的伪装物体检测方法，解决了现有检测方法在复杂场景和劣化条件下检测性能下降的问题。
2、本专利技术所采用的技术方案是，基于多线索滑动窗口注意力的伪装物体检测方法。具体按以
3、步骤1，构建数据集和编码器；
4、步骤2，构建基于可变形卷积的局部细节提取模块；
5、步骤3，构建基于特征融合和逆残差结构的全局轮廓提取模块；
6、步骤4，构建基于组融合和滑动窗口扩展注意力的多尺度引导注意力模块。
7、本专利技术的特点还在于：
8、步骤1具体按照以下步骤实施：
9、步骤1.1，搜集包含伪装物体的样本图像；
10、步骤1.2，将步骤1.1搜集到的样本图像，在labelme中进行标注，生成真值图像，其中伪装物体为白色像素，背景为黑色像素；
11、步骤1.3，按比例将所有样本图像与其真值图像划分为训练集和测试集；
12、步骤1.4，采用pvtv2为特征提取的主干，加载预先训练权重，构建编码器；
13、步骤1.5，将数据集图像分辨率调整为512×512，并输入编码器中，得到多尺度特征fk,k∈{1,2,3,4}，分辨率分别为512/2k+1×512/2k+1,k∈{1,2,3,4}。
14、步骤2具体按以下步骤实施：
15、步骤2.1，构建4个局部细节提取模块，每个模块分别生成来自编码器输出特征fk,k∈{1,2,3,4}的局部细节先验知识k∈{1,2,3,4}，每个局部细节提取模块包含3条动态局部细节提取分支，由卷积层和可变形卷积层组成，分别提取不同尺度的局部细节特征，如下式所示：
16、
17、
18、
19、其中i∈{1,2,3}为3条动态局部细节提取分支的输出，deconvd＝j[]表示扩展率为j的3×3动态卷积层，convk＝n()表示卷积核大小为n×n的卷积层；
20、步骤2.2，构建每个局部细节提取模块的多尺度局部特征融合块，由串联操作和卷积层组成，融合多尺度局部特征，生成4个局部细节先验知识k∈{1,2,3,4}，如下式所示：
21、
22、其中concat()表示串联操作，以及一个3×3卷积层被用于调整输出通道。
23、步骤2.1具体按照以下步骤实施：
24、步骤2.1.1，构建小尺度动态局部细节提取分支，包含1个步长为1，膨胀率为1的1×1卷积层和1个步长为1，膨胀率为1的3×3动态卷积；
25、步骤2.1.1具体按照以下步骤实施：
26、步骤2.1.1.1，构建偏移学习卷积，卷积核大小为3×3，输出通道设置为18，包含3×3卷积核的每个元素的一个x轴偏移量和一个y轴偏移量；
27、骤2.1.1.2，构建动态卷积，膨胀率为1，卷积核大小为3×3，根据偏移量，通过插值法计算出偏移后卷积核的输出特征；
28、步骤2.1.2，构建中尺度动态局部细节提取分支，包含1个步长为1，膨胀率为1的3×3卷积层和1个步长为1，膨胀率为3的3×3动态卷积；
29、步骤2.1.2具体按照以下步骤实施：
30、步骤2.1.2.1，构建偏移学习卷积，卷积核大小为3×3，输出通道设置为18，包含3×3卷积核的每个元素的一个x轴偏移量和一个y轴偏移量；
31、骤2.1.2.2，构建动态卷积，膨胀率为3，卷积核大小为3×3，根据偏移量，通过插值法计算出偏移后卷积核的输出特征；
32、步骤2.1.3，构建大尺度动态局部细节提取分支，包含1个步长为1，膨胀率为1的5×5卷积层和1个步长为1，膨胀率为5的3×3动态卷积；
33、步骤2.1.3具体按照以下步骤实施：
34、步骤2.1.3.1，构建偏移学习卷积，卷积核大小为3×3，输出通道设置为18，包含3×3卷积核的每个元素的一个x轴偏移量和一个y轴偏移量；
35、骤2.1.3.2，构建动态卷积，膨胀率为5，卷积核大小为3×3，根据偏移量，通过插值法计算出偏移后卷积核的输出特征。
36、步骤3具体按以下步骤实施：
37、步骤3.1，构建相邻编码器融合特征ei,i∈{1,2,3}，将来自编码器的所有输出特征fk,k∈{1,2,3,4}的相邻特征，经过上采样操作对齐分辨率，再通过矩阵点乘，生成融合特征ei,i∈{1,2,3}，如下式所示：
38、
39、其中表示上采样操作，放缩率为2，代表矩阵点乘；
40、步骤3.2，构建3个逆残差结构，通过通道放缩与残差连接提高每个融合特征ei,i∈{1,2,3}的空间表征能力，生成强化融合特征gi,i∈{1,2,3}；
41、步骤3.3，构建全局特征融合块，由串联操作和卷积层组成，合并强化融合特征gi,i∈{1,2,3}，生成1个全局轮廓先验知识pg，如下式所示：
42、pg＝concat(g1,g2,g3) (6)
43、其中concat()表示串联操作，以及一个3×3卷积层用于调整输出通道。
44、步骤3.2具体按照以下步骤实施：
45、步骤3.2.1，构建升维块，包含一个3×3卷积层，将输入特征ei,i∈{1,2,3}的通道数上升4倍，一个批归一化操作，以及一个relu激活函数；
46、步骤3.2.2，构建深度卷积块，包含一个3×3卷积层，其输入维度与输出维度均保持在输入特征ei,i∈{1,2,3}通道数4倍的基础上，批归一化操本文档来自技高网...
【技术保护点】
1.基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，具体按以下步骤实施：
2.根据权利要求1所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求1所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤2具体按以下步骤实施：
4.根据权利要求3所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤2.1具体按照以下步骤实施：
5.根据权利要求1所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤3具体按以下步骤实施：
6.根据权利要求5所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤3.2具体按照以下步骤实施：
7.根据权利要求1所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤4具体按以下步骤实施：
8.根据权利要求7所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤4.1具体按照以下步骤实施：
9.根据权利
10.根据权利要求9所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤4.2.2具体按照以下步骤实施：
...【技术特征摘要】
1.基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，具体按以下步骤实施：
2.根据权利要求1所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求1所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤2具体按以下步骤实施：
4.根据权利要求3所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤2.1具体按照以下步骤实施：
5.根据权利要求1所述的基于多线索滑动窗口注意力的伪装物体检测方法，其特征在于，所述步骤3具体按以下步骤实施：
6.根据权利要求5所...
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。