(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211310514.8 (22)申请日 2022.10.25 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 张焱　张毅　石志广　杨卫平　 年炳坤　张景华　张宇　刘荻　 凌峰　师晓冉　沈奇　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 李杨 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06V 20/70(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多机制注意力协同融合对比的红外小 目标检测方法 (57)摘要 本申请涉及一种基于多机制注意力协同融 合对比的红外小目标检测方法。 所述方法包括： 提出了一种红外小目标检测网络， 该网络包括对 输入的红外图像自底层向深层进行特征提取得 到多个特征图的多层特征提取结构、 将各特征图 转换为具有局部对比度的特征图的多尺度局部 对比度结构， 以及通过弱目标通道注 意力机制以 及像素注意力机制对底层细节特征和深层语义 特征进行融合的多机制注意力协同融合结构， 对 该网络进行训练时， 对输出图像进行概率化处理 后再计算损失函数。 采用本方法能够更加精准计 算损失， 解决目标与背景之间不平衡问题， 显著 提高检测效果。 权利要求书2页 说明书13页 附图7页 CN 115546610 A 2022.12.30 CN 115546610 A 1.基于多机制注意力协同融合对比的红外小目标检测方法， 其特征在于， 所述方法包 括： 获取红外图像训练集， 所述红外图像训练集中包括多张包 含小目标的红外训练图像； 将各所述红外训练图像输入红外小目标检测网络中， 所述红外小目标检测网络包括多 层特征提取结构、 多尺度局部对比度结构以及多机制注意力协同融合结构， 其中， 所述多层 特征提取结构对输入的图像自底层向深层进 行特征提取得到多个特征图， 所述多尺度局部 对比度结构将各所述特征图转换为具有局部对比度的特征图， 所述多机制注意力协同融合 结构通过弱目标通道注意力机制以及像素注意力机制对底层细节特征和深层语义特征进 行增强后融合， 以得到 输出图像； 对所述输出图像进行概率化处理得到概率化输出图像， 根据所述概率化输出图像构建 损失函数； 根据所述损失函数对所述红外小目标检测网络进行训练， 得到训练好的红外小目标检 测网络； 获取待检测的红外 图像， 将所述红外 图像输入训练好的红外小目标检测网络， 对所述 红外图像中的小目标进行检测， 并预测小目标的形状以及所在位置 。 2.根据权利要求1所述的红外小目标检测方法， 其特征在于， 所述多层特征提取结构采 用改进的ResNet ‑20网络； 所述多层特征提取结构包括三层特征提取单元， 分别输出尺寸均不相同的底层特征 图、 中层特 征图以及高层特 征图。 3.根据权利要求2所述的红外小目标检测方法， 其特征在于， 所述多尺度局部对比度 结 构包括三个尺寸不同的局部对比度单元， 分别对应处理所述底层特征图、 中层特征图以及 高层特征图以得到底层局部对比特 征图、 中层局部对比特 征图以及高层局部对比特 征图。 4.根据权利要求3所述的红外小目标检测方法， 其特征在于， 所述多机制注意力协同融 合结构包括第一多机制融合单 元以及第二多机制融合单 元； 所述高层局部对比特征图以及中层局部对比特征图输入至所述第一多机制融合单元 进行融合， 输出中间融合特 征图； 所述中间融合特征图以及底层局部对比特征图输入至所述第二多机制融合单元将进 行融合， 输出融合特 征图。 5.根据权利要求 4所述的红外小目标检测方法， 其特 征在于， 在所述第一多机制融合单元以及第 二多机制融合单元中， 由所述弱目标通道注意力 机 制对高层局部对比特征图以及中间融合特征图进 行处理， 由所述像素注意力机制对所述中 层局部对比特 征图以及底层局部对比特 征图进行处 理。 6.根据权利要求5所述的红外小目标检测方法， 其特征在于， 在所述第 一多机制融合单 元以及第二多机制融合单 元中， 采用以下公式对输入特 征进行处 理： F(x,y)＝y+(x ·σ(C1D( τ( σ(x) ))))·σ( β(PWCo nv2( δ( β(PWCo nv1(γ(y) )))))) 在上式中， x表示高层局部对比特征图或中间融合特征图， y表示中层局部对比特征图 或底层局部对比特征图， σ 表 示Sigmoid函数， τ表 示全局最大池化， C1D表示1D卷积， β 表示批 归一化， PWConv表示Pi ont‑Wise卷积， δ表示ReLU函数， γ表示全局平均池化。 7.根据权利要求6所述的红外小目标检测方法， 其特征在于， 所述红外小目标检测网络权　利　要　求　书 1/2 页 2 CN 115546610 A 2还包括亚像素卷积上采样结构， 所述亚像素卷积上采样结构包括第一上采样单元以及第二 上采样单 元； 所述高层局部对比特征图通过所述第一上采样单元进行上采样后再输入所述第一多 机制融合单 元； 所述中间融合特征图通过所述第二上采样单元进行上采样后再输入所述第二多机制 融合单元。 8.根据权利要求7所述的红外小目标检测方法， 其特征在于， 根据 所述损失函数对所述 红外小目标检测网络进行训练， 得到训练好的红外小目标检测网络包括： 对所述损失函数进行梯度计算， 根据计算结果方向修正所述红外小目标检测网络的参 数， 直至收敛， 得到所述训练好的红外小目标检测网络 。权　利　要　求　书 2/2 页 3 CN 115546610 A 3