[发明专利]注意力引导的多特征融合伪装目标检测方法、装置、设备及介质

说明书

本发明涉及计算机视觉领域，公开了一种注意力引导的多特征融合伪装目标检测方法、装置、设备及介质，本发明根据在预测网络中，以BASNet编码‑解码网络为基础，通过基础残差网络对目标伪装图像进行特征提取以获得特征图；采用上采样和下采样的方法将所述特征图进行尺度统一；进行通道拼接特征融合并在通道融合之后引入CBAM注意力模块对所述特征图中的特征进行特征选择；在注意力模块后添加感受野模块，并将所述感受野模块输出的特征图输入至解码网络进行解码，得到粗略图；将所述粗略图输入至优化网络，采用像素点相加的特征融合方法获取最终的伪装目标检测结果，使用注意力模块突出重要特征信息，并添加感受野模块帮助网络进行搜索，提高伪装目标检测的效果。

技术领域

本申请涉及计算机视觉领域，特别是涉及一种注意力引导的多特征融合伪装目标检测方法、装置、设备及介质。

背景技术

目前对于伪装目标检测的方法相对较少，传统手工特征的方法主要从强度、颜色特征、运动特征、纹理特征或多特征组合等方面进行设计。强度、颜色特征对于因纹理相似而产生的伪装具有比较好的效果；运动特征对于长时间静止的伪装物体效果较差；当物体的颜色与周围环境相似时，纹理特征可以作为重要的依据；多种特征组合可以弥补单一特征带来的不足。当深度学习在目标检测领域取得非常好的效果后，研究者们开始利用深度学习来进行伪装目标检测，能够利用深度学习相关技术对大数据进行训练，对伪装目标进行分割。Le等人提出了一种通用的端到端网络，它利用分类和分割来对伪装目标分割，该网络具有用于分类的分支，以预测图像中包含伪装对象的概率，以提高分割精度。Ren等人提出使用构建多个纹理感知细化模块，学习深度卷积神经网络中的纹理感知特征，以放大伪装对象与背景之间细微的纹理差异，用于伪装对象的检测。Yan等人通过镜像改变同一场景的方法，提出了一个使用镜像流来提升伪装目标分割精度的框架，该框架由两个流组成，主流用于分割原始图像，镜像流用在翻转图像上。Fan等人提出一个新的框架SINet，在伪装目标检测上取得比较好的效果。因为手工设计特征使用范围存在较大的局限性，泛化能力较差，而深度学习的方法能够在大规模数据集上使用，对大量数据自动学习，而且不再需要像传统目标检测算法手动设计特征，效果较好。

因此，如何解决伪装目标与周围环境“相融”导致边缘特征不明显成为了一个亟待解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种注意力引导的多特征融合伪装目标检测方法、装置、设备及介质，旨在解决伪装目标与周围环境“相融”导致边缘特征不明显的技术问题。

为实现上述目的，本发明提供了一种注意力引导的多特征融合伪装目标检测方法，所述方法包括：

在预测网络中，以BASNet编码-解码网络为基础，通过基础残差网络对目标伪装图像进行特征提取以获得特征图；

采用上采样和下采样的方法将所述特征图进行尺度统一；

进行通道拼接特征融合并在通道融合之后引入CBAM注意力模块对所述特征图中的特征进行特征选择；

在注意力模块后添加感受野模块，并将所述感受野模块输出的特征图输入至解码网络进行解码，得到粗略图；

将所述粗略图输入至优化网络，采用像素点相加的特征融合方法获取最终的伪装目标检测结果。

可选地，所述采用上采样和下采样的方法将所述特征图进行尺度统一的步骤，包括：

从预测网络中建立4个通道拼接多特征融合结构，分别以stage2、3、4和5作为中间stage；

所述中间stage的上下两个stage的特征图分别采用2倍下采样和2倍上采样的方法将所述特征图进行尺度统一。