申请/专利权人：北京工业大学

申请日：2022-03-31

公开（公告）日：2024-03-22

公开（公告）号：CN114926629B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/44;G06V10/774;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.09.06#实质审查的生效;2022.08.19#公开

摘要：本发明公开一种基于轻量化卷积神经网络的红外船目标显著性检测方法，设计了一种轻量化模块SimpleInceptionwithDilatedSIWD，旨在减少参数的情况下通过空洞卷积实现感受野的扩大，同时对现有的经典网络进行精简，实现参数量的进一步减少，并通过在上采样的过程中应用两种不同的上采样结合SIWD模块弥补单一上采样带来的缺陷。本发明在参数量显著减少的情况下实现了结果的提升。另外，针对缺少红外舰船显著性检测数据集的问题，本发明也构建了一个包含3069幅红外船目标图像的数据集。本发明可操作性、可扩展性较强，适用于海面背景的红外船目标显著性检测。

主权项：1.一种基于轻量化卷积神经网络的红外船目标显著性检测方法，其特征在于，包括：步骤1：船目标数据集处理；提取视频中有代表性的图像，使用labelme软件标出目标船的轮廓作为标签；步骤2：删减参数量最多的VGG16五层结构中的第五层，骨干网络由四个SWID构成，即四层结构模块，分别标记为Si,i＝1,2,3,4每个结构模块的输出为Xi,i＝1,2,3,4，上采样结构模块为四个TBU，分别标记为Ti,i＝1,2,3,4，每个结构模块对应的输出为Ui,i＝1,2,3,4，其中 最终的预测结果为O＝sigmoidConvU4,其中Ccatf1,...,fn为concat操作，即将特征f1,...,fn按通道拼接，Conv为卷积操作；步骤3：设计一个轻量化模块SIWD，使用大小为1×3和3×1的卷积核代替3×3的卷积核，使用空洞卷积增大感受野；轻量化模块SIWD包含四个分支，四个分支中第一个分支为一个卷积核大小为1×1空洞率为1的卷积层，第二个分支使用两个卷积核大小分别为3×1和1×3，空洞率为1的卷积层，输入特征分别经过这两个卷积层然后逐点相加构成第二个分支的输出，第三个分支使用两个卷积核大小分别为3×1和1×3，空洞率为3的卷积层，输入特征分别经过这两个卷积层然后逐点相加构成第三个分支的输出，第四个分支使用两个卷积核大小分别为3×1和1×3，空洞率为5的卷积层，输入特征分别经过这两个卷积层然后逐点相加构成第四个分支的输出，将输入IS分别输入这四个分支的卷积层后，将得到的输出拼接起来，再通过一个点卷积层进行融合得到OL，最后引入shortcut机制，将输入IS和OL拼接起来得到SIWD最后的输出OS，过程表示为： 其中表示卷积核大小为x且空洞率为y的卷积操作，Aaddf1,...,fn代表将特征f1,...,fn逐点相加，Bi为第i个分支的输出特征；步骤4：上采样模块TBU包含两个分支，第一个分支由一个SIWD和一个UpSampling组成，第二个分支由一个SIWD和一个PixelShuffle组成；首先将输入数据IT分别经过两个分支，然后将两个分支的输出相加得到上采样最后的输出OTBU，其过程表示为OTBU＝AaddUupSIWDIT,PpsSIWDIT4其中Uupx代表对x进行UpSampling操作,Ppsx代表对x进行PixelShuffle操作；步骤5：将TBU和SIWD结合步骤二所得到的骨干网络组成最终的网络，训练数据顺序输入到网络，选择迭代次数、学习率超参数，并使用交叉熵损失函数和相似性结构损失之和作为损失函数，依据网络结果反向传播训练网络；步骤6：保存步骤4中训练好的上采样模块TBU，用于测试。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于轻量化卷积神经网络的红外船目标显著性检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD