一种基于双注意力机制与多级特征融合的红外船舶检测方法及装置

摘要: 本发明涉及红外目标检测,特别是涉及一种基于双注意力机制与多级特征融合的红外船舶检测方法及装置。背景技术:1、红外成像技术凭借其全天候工作、抗干扰能力强以及可穿透...
一种基于双注意力机制与多级特征融合的红外船舶检测方法及装置

本发明涉及红外目标检测,特别是涉及一种基于双注意力机制与多级特征融合的红外船舶检测方法及装置。

背景技术:

1、红外成像技术凭借其全天候工作、抗干扰能力强以及可穿透烟雾雨雾等独特优势,在海事监控、船舶通航管理及远海目标识别等领域得到了广泛应用。特别是在夜间、复杂气象条件及低能见度环境下,红外船舶图像能够有效获取目标信息,为海事智能监管和海域安全巡逻提供了关键的技术支撑,对于远距离船舶监测、小目标船舶识别以及复杂海面背景下的目标定位具有重要的工程应用价值。

2、随着深度学习技术的快速发展,基于卷积神经网络的目标检测算法已成为红外船舶目标识别的主流技术方案。其中,yolo系列模型因其检测速度快、精度均衡等特点,被广泛应用于该领域。现有的红外船舶检测方法通常直接采用通用yolo模型或其常规变体,通过输入红外图像数据,利用骨干网络提取特征,并结合特征金字塔结构进行多尺度预测,最终输出船舶目标的类别与位置信息。

3、然而,将传统yolo模型直接应用于红外船舶检测场景时,仍存在以下显著局限性:

4、第一,特征提取能力不足。红外图像普遍存在对比度低、纹理细节匮乏的问题,常规特征提取模块难以有效捕获弱目标及小目标船舶的关键特征,导致识别率下降;

5、第二,多尺度表征能力受限。海面杂波干扰较强且船舶目标尺度差异巨大,仅依靠单一尺度或常规多尺度特征难以实现对目标的全面表征,极易造成小尺度船舶的漏检与错检;

6、第三,跨层级信息传递不充分。现有特征融合过程缺乏有效的注意力引导机制,导致不同层级间的语义信息与空间信息交互效率低下,关键特征易被背景噪声淹没;

7、第四,定位精度受限。传统边界框回归损失函数在复杂海面背景下对检测框的约束能力有限,难以适应红外目标的模糊边界特性,导致检测框位置偏差较大,整体识别精度无法满足高精度海事监管的需求。

技术实现思路

1、本发明的目的是提供一种基于双注意力机制与多级特征融合的红外船舶检测方法及装置,旨在解决或改善上述技术问题中的至少之一。

2、为实现上述目的,本发明提供了如下方案:

3、一种基于双注意力机制与多级特征融合的红外船舶检测方法,包括:

4、获取红外船舶图像数据集并进行标注;

5、构建深度学习检测模型;骨干网络中设置有manblock多尺度注意力模块,包括多个并行分支,其中一个分支串联有多层瓶颈模块,其余分支采用不同尺寸的卷积核,各分支输出经拼接后通过注意力权重进行自适应加权融合;颈部网络采用p2-p5四级多尺度结构,并在特征融合路径中嵌入sba双注意力机制模块,通过高分辨率与低分辨率双路输入,利用sigmoid门控生成空间权重,对两路特征进行交叉加权融合;检测头采用智慧型交并比损失函数进行边界框回归优化;

6、利用红外船舶图像数据集对深度学习检测模型进行训练;

7、将待检测红外船舶图像输入训练好的模型,输出船舶目标检测结果。

8、进一步的,manblock多尺度注意力模块,包括:

9、输入特征经卷积后分为四个并行分支,其中第四分支依次串联n层瓶颈模块,其余三个分支分别采用3×3、5×5和7×7卷积核;

10、各分支的自适应注意力权重通过全局平均池化与softmax归一化计算得到,公式为:

11、

12、式中,为第个分支的输出特征;为全局平均池化操作;为指数运算,所有分支权重之和为1;

13、各分支的输根据权重进行加权求和后,经1×1卷积及非线性激活函数输出增强特征。

14、进一步的,sba双注意力机制模块,包括:

15、高分辨率特征与低分辨率特征分别经卷积后分为特征提取支路与门控支路;

16、门控支路经sigmoid激活生成空间注意力掩码,并将取反得到互补掩码;

17、特征提取支路输出分别与及互补掩码逐元素相乘,得到主加权特征与互补加权特征;

18、两个支路的主加权特征与互补加权特征经上采样对齐后交叉相乘;

19、将各路特征逐元素相加并拼接,经卷积后输出融合特征。

20、进一步的,智慧型交并比损失函数,包括:

21、

22、式中:为预测边界框,为目标真实边界框;为标准交并比;为预测框与真实框中心的欧氏距离;为最小外接矩形的对角线距离;为预设平衡系数。

23、进一步的,骨干网络的模块串联顺序依次为:

24、输入卷积层、第一c3k2模块、下采样卷积层、第二c3k2模块、下采样卷积层、第一manblock多尺度注意力模块、下采样卷积层、第二manblock多尺度注意力模块、空间金字塔池化层及跨阶段局部空间注意力模块。

25、进一步的,颈部网络的上采样路径依次包括:第一sba双注意力机制模块,输入为第一manblock多尺度注意力模块与跨阶段局部空间注意力模块的输出;第一c3k2模块;第二sba双注意力机制模块,输入为骨干网络中第二c3k2模块的输出;第二c3k2模块;第三sba双注意力机制模块,输入为骨干网络中第一c3k2模块的输出;第三c3k2模块,输出作为p2检测头的输入。

26、进一步的,颈部网络的下采样路径依次包括:

27、第四sba双注意力机制模块,输入为上采样路径中第二c3k2模块与第三c3k2模块的输出;第四c3k2模块,输出作为p3检测头的输入;第五sba双注意力机制模块,输入为上采样路径中第一c3k2模块的输出;第五c3k2模块,输出作为p4检测头的输入;第六sba双注意力机制模块,输入为骨干网络中跨阶段局部空间注意力模块的输出;第六c3k2模块,输出作为p5检测头的输入。

28、进一步的,其特征在于,包括:被检测区域、热红外船舶成像设备、计算机以及图像的船舶目标检测图;

29、计算机与热红外船舶成像设备之间通过无线通信方式连接,实现实时图像数据传输;

30、热红外船舶成像设备,设有热红外摄像仪器对被检测区域进行持续拍摄,采集当前区域的实时热红外图像数据;采集到的图像数据通过无线通信方式实时传输至地面端的计算机;

31、计算机接收热红外图像后,内部部署深度学习图像检测算法,对图像进行预处理、特征提取与目标识别,最终输出船舶目标检测结果,并以图像的船舶目标检测图的形式呈现。

32、根据本发明提供的具体实施例,本发明公开了以下技术效果:

33、本发明公开了一种基于双注意力机制与多级特征融合的红外船舶检测方法及装置,本发明通过manblock多尺度注意力模块增强红外弱目标特征提取,利用sba双注意力机制实现p2-p5四级特征无损融合并抑制海面杂波,结合wiou损失函数优化边界框回归精度。三者协同显著提升复杂背景下小尺度船舶的检测率与定位稳定性,有效解决红外图像对比度低、杂波干扰强导致的漏检误检问题,兼具高精度与强鲁棒性。

1.一种基于双注意力机制与多级特征融合的红外船舶检测方法,其特征在于,包括:

2.根据权利要求1所述的红外船舶检测方法,其特征在于,所述manblock多尺度注意力模块,包括:

3.根据权利要求1所述的红外船舶检测方法,其特征在于,所述sba双注意力机制模块,包括:

4.根据权利要求1所述的红外船舶检测方法,其特征在于,所述智慧型交并比损失函数,包括:

5.根据权利要求1所述的红外船舶检测方法,其特征在于,所述骨干网络的模块串联顺序依次为:

6.根据权利要求5所述的红外船舶检测方法,其特征在于,所述颈部网络的上采样路径依次包括:第一sba双注意力机制模块,输入为所述第一manblock多尺度注意力模块与所述跨阶段局部空间注意力模块的输出;第一c3k2模块;第二sba双注意力机制模块,输入为骨干网络中第二c3k2模块的输出;第二c3k2模块;第三sba双注意力机制模块,输入为骨干网络中第一c3k2模块的输出;第三c3k2模块,输出作为p2检测头的输入。

7.根据权利要求6所述的红外船舶检测方法,其特征在于,所述颈部网络的下采样路径依次包括:

8.一种应用权利要求1-7任一所述红外船舶检测方法的装置,其特征在于,包括:被检测区域(101)、热红外船舶成像设备(102)、计算机(103)以及图像的船舶目标检测图(104);