基于特征增强语义分割网络的红外目标抗干扰检测算法

本发明涉及深度学习红外目标检测方法领域，尤其涉及基于特征增强语义分割网络的红外目标抗干扰检测算法。

背景技术：

1、基于语义分割目标检测任务是通过卷积神经网络将图像中每个像素赋予一个类别标签获取分割掩码以区分目标和背景，并且由像素的位置和类别即可实现目标检测，主要包含基于全卷积、基于编码-解码、基于特征融合、基于优化卷积结构等技术路线。hrnetv2是基于编码-解码结构的保持特征图分辨率语义分割网络，包括四个处理阶段：高分辨率阶段、低分辨率阶段、水平阶段和合并阶段，高分辨率阶段包含多重残差模块以提取目标特征信息，输出与输入特征图相同分辨率的特征图，低分辨率阶段是对高分辨率阶段输出的特征图执行下采样以减小模型的内存占用，水平阶段是在不同分辨率特征图上引入了多个并行的分支，进行特征图间的交互，合并阶段通过卷积和上采样将不同分辨率特征图恢复至与高分辨率特征图相同的尺寸，然后将所有特征图进行融合以生成最终分割结果。但是当红外目标特征弱、且当干扰遮挡目标时，会使可学习特征进一步减少，导致卷积神经网络学习特征不充分，进而影响检测性能。

技术实现思路

1、本发明的目的是提供基于特征增强语义分割网络的红外目标抗干扰检测算法，能够在红外目标辐射特征弱且有干扰遮挡的情况下有效实现红外目标的抗干扰检测。

2、本发明为解决上述技术问题所采用的技术方案是：基于特征增强语义分割网络的红外目标抗干扰检测算法，包括以下步骤：

3、步骤一、通过位置注意力特征融合网络得到富含细节信息和语义信息的高分辨率特征图，具体方法为：

4、首先通过hrnetv2网络得到与输入图像相同分辨率的特征图 c1、下采样4倍特征图 c2、下采样8倍特征图 c3和下采样16倍特征图 c4；

5、然后将下采样8倍特征图 c3通过1×1卷积调整其通道数，再通过位置注意力模块进行特征增强，然后将增强表达的特征图与下采样16倍特征图 c4执行上采样后进行融合，得到特征图 p3；

6、然后将下采样4倍特征图 c2通过1×1卷积调整其通道数，再通过位置注意力模块进行特征增强，然后将增强表达的特征图与特征图 p3执行上采样后进行融合，得到特征图 p2；

7、然后将与输入图像相同分辨率的特征图 c1通过1×1卷积调整其通道数，再通过位置注意力模块进行特征增强，然后将增强表达的特征图与特征图 p2执行上采样后进行融合，得到特征图 p1即为富含细节信息和语义信息的高分辨率特征图；

8、上述对特征图进行融合的计算过程为：

9、......式（1）；

10、式（1）中， upsample表示上采样， f lam表示特征增强运算 ，conv1×1表示1×1卷积， f i为第 i层增强表达的特征图；

11、上述通过位置注意力模块进行特征增强运算的过程为：

12、首先从需要进行特征增强的原始特征图 a中通过使用1×1卷积获取特征图 b、 c、 d∈ r c× h× w，然后通过形状重塑将 b、 c、 d重塑为 b'、 c'、 d'∈ r c× n， n= h× w；

13、然后将 b'的转置与 c'进行矩阵点乘，获取相关性分数，再使用softmax函数计算位置注意力权重 s ij∈ r n× n，计算公式为：

14、......式（2）；

15、式（2）中， b' t为 b'的转置， b' t i为 b'的第 i个位置元素， c' j为 c'的第 j个位置元素， s ij为第 i个位置元素对第 j个位置元素的权重；

16、然后将 d'与位置注意力权重 s ij相乘，得到增强像素依赖关系的特征图 e∈ r c× n， n= h× w，其中第 j个位置元素 e j的计算公式为：

17、......式（3）；

18、式（3）中， d' i为 d'的第 i个位置元素；

19、然后将增强像素依赖关系的特征图 e重塑后，再与原始特征图 a相加， f= e+ a即得到增强表达的特征图 f∈ r c× h× w；

20、步骤二、通过混合空洞空间金字塔池化模块提取特征图 p1的上下文信息，混合空洞空间金字塔池化模块包括多个相互并联的空洞卷积分支，每个空洞卷积分支均具有由多层空洞卷积依次串联形成的空洞卷积串联结构，其中任一个空洞卷积分支的第 i层空洞卷积的空洞率 r i根据以下方法确定：

21、对于一个由 n层空洞卷积依次串联形成的空洞卷积分支，首先给定一组预设的空洞率{ r1, r2, r3...... r n}，其中 r1=1，即第一层空洞卷积的空洞率为1；

22、然后从该空洞卷积分支的第 n层开始，逐次计算空洞卷积分支中相邻两层空洞率的最大距离 m i，计算公式为：

23、......式（4）；

24、首次计算时令 m n= r n，将 m n和 r n代入式（4）计算得到 m n-1，然后将 m n-1和 r n-1逐次代入式（4），直到求得 m 2；

25、将 m2与该空洞卷积分支的第二层空洞卷积的卷积核大小 k进行比较，当 m2≤ k时，直接采用预设的空洞率{ r1, r2, r3...... r n}，当 m2＞ k时，重新给定预设的空洞率并再次进行计算；

26、步骤三、将混合空洞空间金字塔池化模块的第一层1×1卷积的输出、多个空洞卷积分支的输出、以及池化输出进行拼接，得到输出特征图；

27、步骤四、将步骤三的特征图传递给softmax分类器进行像素级语义分割，实现红外目标的抗干扰检测。

28、根据上述技术方案，本发明的有益效果是：

29、本发明的红外目标抗干扰检测算法能够在红外目标辐射特征弱且有干扰遮挡的情况下，通过位置注意力特征融合和混合空洞空间金字塔池化相配合的方式增强目标特征，进而有效实现红外目标的抗干扰检测。其中，位置注意力特征融合网络获取不同位置像素间的相关性权重来增强当前层级特征图，并与富含语义特征的高层级特征图融合，增强对红外目标特征的表达能力。混合空洞空间金字塔池化通过小空洞率空洞卷积的串联结构在不丢失特征信息的前提下扩大卷积核在特征图上的感受野，获取特征图上下文信息，进一步增强对红外目标特征的表达能力。

技术特征：

1.基于特征增强语义分割网络的红外目标抗干扰检测算法，其特征在于，包括以下步骤：

技术总结
基于特征增强语义分割网络的红外目标抗干扰检测算法，通过位置注意力特征融合和混合空洞空间金字塔池化相配合的方式增强目标特征，位置注意力特征融合网络获取不同位置像素间的相关性权重来增强当前层级特征图，并与富含语义特征的高层级特征图融合，增强对红外目标特征的表达能力。混合空洞空间金字塔池化通过小空洞率空洞卷积的串联结构在不丢失特征信息的前提下扩大卷积核在特征图上的感受野，获取特征图上下文信息，进一步增强对红外目标特征的表达能力。本发明将位置注意力特征融合网络、混合空洞空间金字塔池化模块与保持特征图分辨率网络相结合，能够在红外目标辐射特征弱且有干扰遮挡的情况下有效实现红外目标的抗干扰检测。

技术研发人员：刘刚,陈会祥,马超,马自豪,贾泽权,侯良威,王月月
受保护的技术使用者：河南科技大学
技术研发日：
技术公布日：2024/9/23