[发明专利]一种基于分组梯度学习策略的伪装物体检测方法及系统

说明书

本发明公开一种基于分组梯度学习策略的伪装物体检测方法及系统，包括：对伪装物体图像提取不同特征维度的语义特征；以目标级别梯度为学习监督信号，对伪装物体图像提取纹理特征；将语义特征和纹理特征沿通道进行切割，并对语义特征子组和纹理特征子组根据不同的分组尺度进行重排列，得到多组重组特征；对重组特征进行注意力映射得到多组注意力特征，根据语义特征与多组注意力特征得到梯度诱导特征，根据梯度诱导特征采用伪装目标检测模型得到伪装物体的检测结果。解决传统特征聚合策略存在的忽略语义表征和纹理表征之间的相关性或者差异性的问题，大幅提升对伪装物体的识别能力。

技术领域

本发明涉及图像处理与计算机视觉技术领域，特别是涉及一种基于分组梯度学习策略的伪装物体检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着视觉场景越来越丰富，伪装目标检测(COD)算法的真实应用也愈发广泛，例如：医疗病灶分割、透明障碍物预警和表面缺陷检测。伪装目标通常以人工或者自然的方式使目标“完美地”融入背景之中，使其不能通过快速视觉扫描过程被发现。因而相较于传统的目标检测任务，伪装目标检测更具挑战性。伪装目标检测任务要求算法模型能够针对所给视觉场景进行高层语义解析与智能理解，并从中检出具有伪装模式的目标。

现有的检测方法侧重于增强伪装目标检测的底层表征，例如：基于边界和基于不确定性引导的。然而，从边界监督或基于不确定性的模型中学习到的特征通常会对伪装目标的边缘做出响应，但是会引入噪声特征，特别是对于复杂场景。此外，伪装目标通常具有模糊的边界，因此，其不会从快速视觉扫描的过程中被弹出。现有检测方法忽略了对目标本身纹理信息的挖掘，往往无法通过有限的场景语义理解来确定伪装目标的定位和边界。

发明内容

为了解决上述问题，本发明提出了一种基于分组梯度学习策略的伪装物体检测方法及系统，通过解耦语义编码及纹理编码来缓解单分支中高级特征和低级特征之间的特征歧义，利用目标级别梯度作为显式监督学习丰富的低级纹理特征，通过分组梯度学习策略与语义特征相融合，以充分聚合纹理特征和语义特征，以协同的方式集成不同分组尺度下的重组特征，解决传统特征聚合策略存在的忽略语义表征和纹理表征之间的相关性或者差异性的问题，大幅提升对伪装物体的识别能力。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于分组梯度学习策略的伪装物体检测方法，包括：

对伪装物体图像提取不同特征维度的语义特征；

以目标级别梯度为学习监督信号，对伪装物体图像提取纹理特征；

将语义特征和纹理特征沿通道进行切割，并对得到的语义特征子组和纹理特征子组根据不同的分组尺度进行重排列和特征拼接，得到多组重组特征；

对重组特征进行注意力映射得到多组注意力特征，根据语义特征与多组注意力特征得到梯度诱导特征，根据梯度诱导特征采用训练后的伪装目标检测模型得到伪装物体的检测结果。

作为可选择的实施方式，所述目标级别梯度为：其中，F_E表示边缘检测器，边缘检测器的输入为带有离散像素坐标(x，y)的伪装物体图像I，表示逐像素乘法运算；Z^C为伪装物体图像的真值图；Z^G为目标级别梯度。

作为可选择的实施方式，将纹理特征沿通道进行切割后，将纹理特征子组进行下采样，以使纹理特征子组的空间分辨率与语义特征子组的空间分辨率相匹配。

作为可选择的实施方式，每组重组特征均根据分组尺度化分成N组子集，不同组之间的分组尺度不同。