【技术实现步骤摘要】
本专利技术涉及一种重构检测框架系统，更具体一点说，涉及一种基于傅里叶单像素成像系统的重构检测框架系统，属于光学成像领域。
技术介绍
1、目标检测广泛应用于机器人导航、智能视频监控、工业检测、水下探测等领域，是计算机视觉领域的热门方向。由于传统目标检测的图像来源来自阵列成像设备，在极端环境条件下面临许多挑战，如长距离环境下的光衰减、光散射效应以及观察角度和深度的限制。因此，迫切需要探索新的成像技术来克服这些挑战。
2、傅里叶单像素成像是一种利用无空间分辨率能力的单像素检测器重建目标场景信息的高鲁棒性成像技术。与传统光学成像相比，傅里叶单像素成像具有抗噪声能力强、光谱波段宽、非局部成像、成像范围长等优点。因此，将目标检测技术与傅里叶单像素成像相结合，具有在光学不友好环境下检测目标的潜力，特别是在散射介质和遥感等大尺度动态场景下。然而，为了提高傅里叶单像素成像的速度，需要对目标场景进行欠采样，这不可避免地会导致成像结果出现振铃效应。此外，随着采样率的降低，重建结果的质量也会降低。所有的缺点都限制了傅里叶单像素成像后续的目标检测任务。
3、近年来，基于深度学习的傅里叶单像素成像的重建算法在一定程度上缓解了成像质量与采样率之间的矛盾，使得利用傅里叶单像素成像重建结果进行目标检测成为可能。然而，在傅里叶单像素成像目标检测任务中仍存在一些未解决的问题。首先，当前高质量的傅里叶单像素成像重建网络中存在大量参数；将大参数重建网络与目标检测网络相结合后，模型难以训练和部署。此外，大多数重建方法优先生成视觉上令人满意的图像，忽
技术实现思路
1、为了解决上述现有技术问题，本专利技术提供具有可以增强欠采样图像的质量，提高目标检测性能。此外，与其他重建和检测相结合的方法相比，在检测精度和模型效率方面更优，为单像素成像重构和检测任务的结合提供了新的思路与研究方向等技术特点的一种基于傅里叶单像素成像系统的重构检测框架系统。
2、为了实现上述目的，本专利技术是通过以下技术方案实现的：
3、一种基于傅里叶单像素成像系统的重构检测框架系统，包括通信连接的图像重建模块、目标检测模块和联合训练策略模块；
4、图像重建模块包括空间自适应的重建网络，通过重建网络从欠采样图像中提取特征用于傅里叶单像素成像重建，获得傅里叶单像素成像重建结果；图像重建模块包括空间特征注意力模块和自适应特征聚合模块，重建网络能够在保证优异重建性能的同时，显著降低了模型复杂度，从而降低了重建-检测框架中强加的额外计算负担；
5、将傅里叶单像素成像重建结果送入目标检测模块进行目标检测，在检测模块中，选择目标检测网络yolov5作为检测模块的基准模型，将目标检测网络yolov5中的快速空间金字塔池化模块优化成混合快速空间金字塔池化模块，以实现增强了对全局信息的提取克服低采样时信息损失较多的问题；并在目标检测模块引入可变形卷积网络以实现有效缓解固定卷积层无法充分捕捉形状不规则物体的问题；
6、联合训练策略模块利用检测损失，通过反向传播指导傅里叶单像素图像重建网络的训练，强制重建网络生成更适合检测的图像，以进一步提升低采样率下目标检测的最终性能。
7、优选的，重建网络为7级编码器-解码器网络，具有4层编码器、3层解码器的结构，重建网络的每一层都包含若干个空间特征注意力，以使网络能够全面理解并有效利用空间信息进行傅里叶单像素图像重建。
8、优选的，利用图像重建模块的重构阶段：
9、步骤1)在编码器中，将傅里叶单像素成像系统中获取的图像首先经历一个步长为1的3×3卷积操作来调整通道，然后，通过空间特征注意力模块和步长为2的3×3卷积操作，用于下采样和特征提取，提取的特征随后被用作解码器的输入；
10、步骤2)在解码器中，特征通过像素洗牌1×1卷积操作和空间特征注意力模块进行上采样和重建，为避免信息丢失，编码器中每个下采样步骤的特征通过跳跃连接连接到相应的解码器层；
11、步骤3)在解码器结束时，使用步长为1的3×3卷积操作将特征调整为单通道；
12、最后，将逐像素添加到原始图像中，得到图形的重建结果，即重构图像。
13、优选的，步骤2)中由于编码器和解码器中的特征在语义上不同，因此在解码器的跳跃连接点处时使用自适应特征聚合模块，通过自适应特征聚合模块动态聚合不同层次特征之间的信息，过滤冗余信息。
14、优选的，目标检测模块的检测阶段：
15、步骤1)将重构图像输入检测网络，目标检测网络yolov5包括骨干网络、颈部以及若干个检测头；
16、步骤2)在骨干网络中，通过混合快速金字塔池化模块能够更加全面捕捉特征的全局和局部信息，混合快速金字塔池化模块结合平均池化和最大池化，在特征提取时融合全局和局部信息，混合快速金字塔池化模块在原有的最大池化分支基础上引入了一个额外的平均池化分支，类似地连接三个平均池化层；
17、步骤3)在颈部中，引入可形变卷积以提高低采样图像中形变目标的处理能力；通过可形变卷积，动态调整其内核形状以适应输入特征图中目标位置、大小和方向的变化的卷积操作。
18、优选的，联合训练策略模块的联合训练策略：
19、步骤1)在重建阶段，针对不同的采样率训练用于重建的网络，训练过程使用adam优化器进行迭代，进行100次迭代，批量大小设置为16，初始学习率为1×10-4，并采用余弦退火来调整学习率，在训练过程中保存最佳模型；
20、步骤2)在检测阶段，将fpsi重建结果输入检测器进行训练；使用adam优化器进行训练，进行200次迭代，批量大小为16，学习率为1×10-2，在训练过程中保存最佳模型；
21、步骤3)在联合训练阶段，加载重建阶段和检测阶段的权重，并同时训练重建网络和检测网络，通过检测损失和重构损失一起调整各自的参数，通过统计各自的损失变化，以及每一轮过程中保存的结果图来决定是否结束训练。
22、优选的，核算基于傅里叶单像素成像系统的重构检测框架系统的总损失如下，其中α和β均设为1：
23、l＝αlrec+βldet (1)
24、在重建模块中，损失函数主要由像素损失和感知损失组成，重建模块损失如下所示，λ设为0.01：
25、lrec＝l1+λlper (2)
26、像素损失l1表示为:
27、
28、其中n为图像中的像素个数，ya为fpsi重建结果，y为原始图像；
29、感知损失记为lper，表示为:
30、
31、其中，m表示vgg-19网络的层数，φi表示vgg-19中用于计算损失的每一层；
32、在本文档来自技高网...
【技术保护点】
1.一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：包括通信连接的图像重建模块、目标检测模块和联合训练策略模块；
2.根据权利要求1所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：重建网络为7级编码器-解码器网络，具有4层编码器、3层解码器的结构，重建网络的每一层都包含若干个空间特征注意力，以使网络能够全面理解并有效利用空间信息进行傅里叶单像素图像重建。
3.根据权利要求1所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：
4.根据权利要求3所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：步骤2)中由于编码器和解码器中的特征在语义上不同，因此在解码器的跳跃连接点处时使用自适应特征聚合模块，通过自适应特征聚合模块动态聚合不同层次特征之间的信息，过滤冗余信息。
5.根据权利要求1所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：
6.根据权利要求4所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：联合训练策略模块的联合训练策略：<...
【技术特征摘要】
1.一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：包括通信连接的图像重建模块、目标检测模块和联合训练策略模块；
2.根据权利要求1所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：重建网络为7级编码器-解码器网络，具有4层编码器、3层解码器的结构，重建网络的每一层都包含若干个空间特征注意力，以使网络能够全面理解并有效利用空间信息进行傅里叶单像素图像重建。
3.根据权利要求1所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在于：
4.根据权利要求3所述的一种基于傅里叶单像素成像系统的重构检测框架系统，其特征在...
【专利技术属性】
技术研发人员：杨旭，陈浩臻，张涵翠，吴龙，徐璐，
申请(专利权)人：浙江理工大学，
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。