基于注意力机制的红外小目标检测方法_董亚盼.pdf
《基于注意力机制的红外小目标检测方法_董亚盼.pdf》由会员分享,可在线阅读,更多相关《基于注意力机制的红外小目标检测方法_董亚盼.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷第 期重庆邮电大学学报(自然科学版)年 月 ():基于注意力机制的红外小目标检测方法收稿日期:修订日期:通讯作者:高陈强 基金项目:国家自然科学基金(,);重庆市自然科学基金(,):(,);(,)董亚盼,高陈强,谌 放,刘芳岑,(重庆邮电大学 通信与信息工程学院,重庆;信号与信息处理重庆市重点实验室,重庆)摘 要:针对红外小目标占用像素较少、背景相似性强、网络容易受到背景杂波信息干扰的问题,提出了一种基于注意力机制的红外小目标检测方法。利用注意力机制模块抑制背景杂波,增强小目标特征,并使用红外小目标检测模块实现检测任务;为了增强网络鲁棒性,通过高斯噪声与原图通道堆叠输入的数据增强方式提升
2、网络抗杂波干扰的能力。实验表明,提出的方法在 数据集中的性能超过了目前最新的对比算法。关键词:红外小目标;深度学习;注意力机制;高斯噪声中图分类号:,文献标志码:文章编号:(),(,;,):,:;引 言红外小目标检测在红外成像系统研究中起着重要的作用,被广泛应用于预警、远距离目标跟踪等任务。然而,当存在云杂波或者海杂波时,小目标通常被淹没在具有低信噪比的复杂背景中。此外,由于成像距离远,小目标没有具体的形状和纹理。因此,红外小目标检测一直被认为是一个困难且具有挑战性的任务。在早期的研究中,根据红外图像背景的连续性特征,一些学者提出了背景预测的方法。随后,结合小目标与背景的差异特性,一些基于局部
3、对比度测量的检测方法被提出。此外,根据红外背景图像非局部相关性方法,文献把红外小目标检测看作稀疏矩阵和低秩矩阵分解的问题,提出了()模型。上述传统方法对符合一定先验知识的小目标具有不错的检测效果,但存在泛化性不强的问题。在实际应用中,红外小目标的先验知识是未知的。因此,需要能够适应多种小目标特性的检测方法。基于数据驱动的深度学习方法能够通过学习大量数据赋予神经网络模型强大的拟合能力,部分学者也尝试利用深度学习的方法进行红外小目标检测的研究,通过让网络自动学习小目标的特征分布来进行红外小目标的算法设计。实验结果表明,这些方法可以提升红外小目标检测的泛化性。受背景杂波的影响,小目标检测结果中通常会
4、出现大量虚警。本文设计了一个注意力机制模块,该模块能够有效地抑制背景杂波信息,增强小目标的特征信息,以此减少检测结果中的虚警。红外小目标图像背景杂波信息重复度较高,导致网络容易出现过拟合的现象。针对此问题,文献提出通过数据增强的方法有效提高网络的泛化能力,同时抑制过拟合现象。考虑到红外图像通常都伴随着高斯噪声,本文利用高斯噪声作数据增强,让网络自动分配不同的权值给噪声和原图,再进行相加,从而有效地保留了小目标的输入特征,增强了网络的鲁棒性。本文提出的方法包含注意力机制模块和红外小目标检测模块,在原图与噪声通道堆叠的数据增强输入方式下,注意力机制模块能够有效地抑制背景杂波和增强小目标特征,并使用
5、红外小目标检测模块实现检测任务。本文方法 高斯噪声通道堆叠模式传统利用噪声的数据增强方法直接在红外小目标图像 上叠加高斯噪声,网络第 层中的卷积核 分配给 和 相同的权重值,噪声叠加方式如图 所示。本文将高斯噪声 和红外小目标图像 通过通道堆叠的方式作为输入送入网络,噪声堆叠方式如图 所示。图 中,网络第 层中的卷积核 会随机分配给 和 不同的权重值 和。图 噪声的两种增强方式 网络的输入 可表示为 ,高斯噪声与原图相加,高斯噪声与原图堆叠()经过第 层卷积操作后为 ,()()式中:表示经过网络第 层卷积核的输出;表示卷积操作。采用噪声与原图通道堆叠的方式,网络会给噪声和红外图像分配不同的卷积
6、核参数,再进行相加。通过网络的学习与参数更新,无须人为干预输入高斯噪声的强度,便可以保证在小目标信息不丢失的情况下,自适应地调整输入噪声的强度,有效地保留了小目标的特征,从而增强网络的鲁棒性。网络结构本文提出的基于注意力机制的红外小目标检测方法如图 所示。图 中,网络注意力机制模块共有 层,红外小目标检测模块共有 层,每一层均由卷积层、归一化层和激活层组成。每层卷积核的初始大小为,采用空洞卷积方式,通过填充补零的操作改变该层卷积核的尺寸,并使用膨胀系数表示在 卷积核中间填充零的个数。本文检测方法通过空洞卷积的方式扩大感受野,保留小目标的特征信息,增强目标的上下文信息,同时保持网络每层的输入输出
7、大 重 庆 邮 电 大 学 学 报(自然科学版)第 卷小一致,使得任何尺寸的图像都可以作为测试进行输入。另外,为了保证红外小目标检测模块更加精准地提取小目标特征,本文采用跨层连接的方式,使得网络深度可以更深,并在有效避免梯度消失的同时高效复用该模块的浅层信息。图 本文提出的基于注意力机制的红外小目标检测方法 网络对背景杂波进行抑制,得到输出结果 的表达式为(,;)()()式中:表示注意力机制模块;表示高斯噪声图像;表示红外小目标原图;表示 模块的网络参数。模块抑制了红外图像中大量的杂波信息,增强了关键目标信息。注意力机制模块的输出与原图进行通道堆叠,送入红外小目标检测模块中,得到小目标检测结果
8、 为 (,;)()()式中:表示红外小目标检测模块;表示注意力机制模块的输出结果;表示 模块的网络参数,该模块在注意力机制模块输出信息的指导下实现小目标的精准检测。为防止两个模块之间误差的直接影响,和原图 采用通道堆叠输入的方式让网络自动学习两者不同的权重值。损失函数本文利用均方差损失函数 对网络进行训练,定义为 ()()()式中:是训练样本的数量;是网络第 个训练样本的回归预测值;是第 个训练样本的标签图像,标签图像中背景像素值为,小目标像素值为。网络的训练与测试在训练阶段,基于注意力机制的红外小目标检测方法的输入样本包含两种形式:高斯噪声与原图的通道堆叠、全零图像与原图的通道堆叠。本文方法
9、在损失函数的引导下,通过迭代方式得到最终的检测模型。测试阶段,由于网络输入端设计的是两通道输入方式,因此本文采用全零图像与原图通道堆叠的方法,使得测试样本只包含原图像的信息。实验结果与分析 数据集本文使用 所提供的公开数据集来评估提出方法的性能。数据集包含 张训练图像(图像像素大小均为)和 张测试图像(图像像素大小在 左右)。数据集中的图像包含真实合成的红外小目标图像,这些红外小目标图像由红外背景图像集和小目标图像集组成。红外背景图像集通过互联网和红外设备采集和拍摄得到,包含海天、树木、建筑、云层等场景的高分辨率图像。小目标图像集是从真实红外小目标图像中分离出来或是使用二维高斯函数生成的目标。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 注意力 机制 红外 目标 检测 方法 董亚盼
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。