申请/专利权人：西安电子科技大学

申请日：2024-01-09

公开（公告）日：2024-04-09

公开（公告）号：CN117853710A

主分类号：G06V10/25

分类号：G06V10/25;G06V10/774;G06V10/82;G06V20/40;G06N3/0464;G06N3/08;G06V10/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明提出了一种基于分片时空网络的多帧红外小目标检测方法，实现步骤为：获取训练和测试样本集；构建基于分片时空网络的小目标检测网络模型；定义BackboneC的运动补偿损失函数；对小目标检测网络进行迭代训练；获取小目标检测结果。本发明中Backbone中的分片时空网络中的基本节点可获取小目标的交互运动状态，使模型在时空域内提取到的特征更加丰富；运动补偿损失函数监视特征提取器训练，优化了其特征提取性能；运动耦合颈利用运动依赖性来耦合参考帧与关键帧的特征，优化了小目标运动特征；避免了现有技术捕捉时空特征的局限性和难以整合、交互和深度传播跨片节点状态的缺陷，有效地提高了运动小目标检测的准确率。

主权项：1.一种基于分片时空网络的多帧红外小目标检测方法，其特征在于，包括以下步骤：1获取训练样本集和测试样本集：获取包括多个目标类别的M个红外小目标视频，并对每个小目标视频所包含的T个图像帧中的小目标对象分别进行标注，然后将K个红外小目标视频及其对应的图像帧组成训练样本R，将剩余M-K个红外小目标视频及其对应图像帧组成测试样本集E，其中2构建基于分片时空网络的小目标检测网络模型O：构建包括级联的主干网络BackboneC、运动耦合颈Neck和Head块的多帧红外小目标检测网络模型O；其中BackboneC包括级联的参数共享卷积模块和分片时空网络，以及加载在参数共享卷积模块的输入端与分片时空网络输出端之间的特征提取器；Neck包括并行排布的第一耦合模块和第二耦合模块以及与其输出端相连的卷积层；3定义BackboneC的运动补偿损失函数 其中，表示特征提取器输出的第t帧多尺度特征图，表示分片时空网络输出的第t帧时空特征图；4初始化参数：初始化迭代次数为a，最大迭代次数为A，A≥1000，第a次迭代的小目标检测网络模型Oa中的权值、偏置参数分别为wa、ba，并令a＝0；5对小目标检测网络进行训练：在训练样本集R中随机有放回地选取P个训练样本作为小目标检测网络模型O的输入进行前向传播，得到P个红外小目标检测结果；6获取训练好的小目标检测网络：通过步骤5获得的P个红外小目标检测结果，对红外小目标检测网络模型O中的权值、偏置参数wa、ba进行更新，得到本次迭代的红外小目标检测网络模型Oa，并判断a≥A是否成立，若是，得到训练好的红外小目标检测网络模型O*，否则，令a＝a+1，Oa＝O，并执行步骤5；7获取小目标检测结果：将测试样本集E作为训练好的红外小目标检测网络模型O*的输入进行前向传播，得到M-K个测试样本对应的红外小目标检测结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于分片时空网络的多帧红外小目标检测方法

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