[发明专利]一种基于非对称注意力特征融合的红外弱小目标检测方法

权利要求书

1.一种基于非对称注意力特征融合的红外弱小目标检测方法，其特征在于，包括：

步骤S1：数据预处理及数据集划分；对包含弱小目标的红外图像数据集数据进行处理；

步骤S2：建立具有非对称注意力特征融合模块AAFF、残差模块Res、基础卷积网络Conv的轻量级深度网络AAFFU-Net模型；

步骤S3：采用训练数据集和标注信息对所述的轻量级深度网络AAFFU-Net模型进行训练以及调参，结合验证集验证模型的性能并保存模型；利用保存后的模型进行红外弱小目标的检测。

2.根据权利要求1所述的基于非对称注意力特征融合的红外弱小目标检测方法，其特征在于，所述步骤S1中对数据进行处理包括如下步骤：

步骤S11：将数据集划分为训练集、验证集、测试集，并且所述数据集按照5∶2∶3的比例划分训练数据集、验证数据集和测试数据集；

步骤S12：采用基于图像增强方法进行图像数据扩充；

步骤S13：将数据集进行归一化处理，修改成统一尺寸作为网络模型的输入尺寸。

3.根据权利要求2所述的基于非对称注意力特征融合的红外弱小目标检测方法，其特征在于，所述步骤S12中，所述基于图像增强方法进行数据扩充包括：

(1)颜色空间转换：对原始RGB图像进行转化为HSV图像的颜色空间转换；

(2)图像翻转：对图像分别进行水平翻转和垂直翻转；

(3)图像旋转：对图像进行随机角度的旋转。

4.根据权利要求1所述的基于非对称注意力特征融合的红外弱小目标检测方法，其特征在于，所述轻量级深度网络AAFFU-Net模型包括基础骨干网络和非对称注意力特征融合模块，所述基础骨干网络包括残差网络Resnet-20作为骨干网络的U-Net网络，所述基础骨干网络的作用是从输入的原始图片中提取不同网络层次的特征并进行特征结果的转化，保留精细的浅层特征和丰富的深层语义信息，输出检测结果图；所述非对称注意力特征融合模块的作用是通过同层特征间的空间和通道信息交流的同时利用自下而上的全局通道注意路径实现低层精细特征对高层语义信息的指导，突出弱小目标的特征来强化模型的特征学习能力和目标检测的性能。

5.根据权利要求4所述的基于非对称注意力特征融合的红外弱小目标检测方法，其特征在于，所述步骤S2中，轻量级深度网络AAFFU-Net模型包含七个卷积阶段Stage：

Conv-1采用卷积核大小3×3，输出特征16维，输出尺寸为480×480；

Stage-1采用3×3的卷积核大小进行4次的残差连接操作，输出特征16维，输出尺寸为480×480；

UpStage-1采用3×3的卷积核大小进行4次的残差连接操作，输出特征16维，输出尺寸为480×480；

Stage-2采用3×3的卷积核大小进行4次的残差连接操作，输出特征32维，输出尺寸为240×240；

UpStage-2采用3×3的卷积核大小进行4次的残差连接操作，输出特征32维，输出尺寸为240×240；

Bottleneck采用3×3的卷积核大小进行4次的残差连接操作，输出特征64维，输出尺寸为120×120；

Predict采用1×1的卷积核大小进行操作，输出特征1维，输出尺寸为480×480；

其中，将来自Bottleneck进行上采样后的特征图与Stage-2的输出特征图跳跃连接经过AAFF2模块处理之后的输出特征图作为UpStage-2的输入特征图，将来自UpStage-2进行上采样后的特征图与Stage-1的输出特征图跳跃连接经过AAFF1模块处理之后的输出特征图作为UpStage-1的输入特征图。