(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 202210545081.8 (22)申请日 2022.05.19 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 曹舒雅　朱虎　邓丽珍　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 张玉红 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06K 9/62(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于纹理增强网络的红外小目标分割检测 方法 (57)摘要 本发明是一种基于纹理增强网络的红外小 目标分割检测方法， 包括步骤1： 从原始视频数据 集中获取带有红外小目标的图片， 将图片划分为 训练集和测试集， 然后为图片打上标注， 得到数 据图片以及与之对应的标签图像数据集； 步骤2： 将获得的数据图片以及标签图像数据集输入纹 理增强网络中， 得到三个子输出； 步骤3： 构建差 异性损失来度量得到的3个子输出特征图， 得到 差异性损失， 并根据3个子输 出计算出平均输 出； 步骤4： 将得到的平均输出转化成单通道的分割 预测图像， 得到最终预测图像的输出。 本发明在 纹理增强网络的基础上构建了差异性损失， 以一 种更加高效准确的方式逼近网络， 检测概率得到 了提升， 生成的预测分割图片简洁明了， 无多余 杂波出现。 权利要求书3页 说明书7页 附图2页 CN 114897842 A 2022.08.12 CN 114897842 A 1.一种基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 所述红外小目标 分割检测方法包括如下步骤： 步骤1： 从原始视频数据集中获取带有红外小目标的图片， 将这些图片划分为训练集和 测试集， 然后使用标注工具为这些图片打上标注， 得到数据图片以及与之对应的标签图像 数据集； 步骤2： 将步骤1中获得的数据图片以及标签 图像数据集输入纹理增强网络中， 得到三 个子输出； 步骤3： 构建一种差异性损失来度量所述骤2得到的3个子输出特征图， 得到差异性损 失， 并根据所述3个子 输出计算出平均输出； 步骤4： 将在步骤3中得到的所述平均输出转化成单通道的分割预测图像， 得到最终预 测图像的输出。 2.根据权利要求1所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 步 骤2中的所述纹 理增强网络由编码网络和解码网络组合而成。 3.根据权利要求2所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 所 述编码网络由4个卷积模块和2个先验模块组成， 将4个卷积模块依次表示为conv1， conv2， conv3和conv4， 2个先验模块依次表示为p1和p2， 其中， conv1， conv2和conv3均依次包含两 个相同的卷积层和一个最大池化层， conv4则包含两个相同的卷积层， conv1， conv2， conv3 和conv4中包含的卷积层的卷积核大小均为3， 步长均为1， conv1， conv2， conv3和conv4中包 含的卷积层的卷积核的数量依次为32、 64、 128和256， 所述最大池化层的池化大小和步长均 为2， 所述先验 模块依次由一个双线性下采样和一个卷积层以及Relu激活函数组成。 4.根据权利要求3所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 所 述下采样才做具体为： p1采样至64*64， p2采样 至32*32。 p1和p2卷积层的卷积核尺寸均为3， 步长均为1， 卷积核数量分别为64和128。 5.根据权利要求2所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 所 述解码网络则由3个纹理增强模块和3个分类模块组成， 来获取一些更深层次的特征， 每个 分类模块输出一个双通道特征图， 将3个纹理增强模块依次表示为G1， G2和G3， 分类模块表 示为F， 纹理增强模块依次由一个上采样操作和一个基于纹理增强的神经网络层组成， 纹理 增强模块G1， 纹理增强模块G2和纹理增强模块G3的上采样操作的输出尺寸分别为32*32， 64*64和128*128， 基于纹理增强神经网络层是由一个卷积层组成， 纹理增强模块G1， 纹理增 强模块G2和纹理增强模块G3中对应的该卷积层卷积核大小为3， 步长为1， 卷积核数量分别 为128、 64和32。 6.根据权利要求5所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 分 类模块F依次由一个上采样操作和一个卷积核尺寸为1， 步长为1， 卷积核数量为2的卷积层 构成的， 所述上采样操作具体为： 选择输出尺寸为w*h， 是将图像恢复至原图大小， 经过3个 分类模块分别得到： 子 输出1， 子 输出2和子 输出3。 7.根据权利要求5所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 所 述基于纹理增强的神经网络层是采用具有各向异 性的Gabor 算子来实现的， 已知Gabor 算子 有5个参数： θ， γ， λ， σ， 其实现包括如下步骤： 步骤2‑1： 将参数θ， γ， λ， σ 初始化为 大小为(outchann el， inchann el)的随机矩阵， 其权　利　要　求　书 1/3 页 2 CN 114897842 A 2中outchannel表示的是该层的输出特征图通道数， inchannel则表示该层输入特征图通道 数； 步骤2‑2： 设置一个横向的卷积核x， 并将其初始化成二维矩阵 [[‑1 0 1] [‑1 0 1] [‑1 0 1]]； 步骤2‑3： 设置一个纵向的卷积核y， 并将其初始化成二维矩阵 [[‑1  ‑1  ‑1] [0 0 0] [1 1 1]]； 步骤2‑4： 按照下面的公式(1)和(2)计算得到大小为(outchannel， inchannel， 3， 3)的 变换坐标后的横纵向卷积核 与 步骤2‑5： 将卷积核 与 输入公式(3)， 计算得到大小为(outchannel， inchannel， 3， 3) 的具有各项异性的纹 理增强卷积核K(x,y) 步骤2‑6： 指定K(x,y)作 为纹理增强层中的卷积核进行卷积操作， 实现基于纹理增强的 神经网络层。 8.根据权利要求1所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 所 述步骤3中， 差异性损失 实现步骤 包括： 步骤3‑1： 将步骤2中的3个子网络输出表示为： out1， out2和out3， 根据公式(4)计算得 到out4 out4＝(out1+out 2+out3)/ 3                    (4) 步骤3‑2： 使用公式(5)分别度量输出out1， out2， out3与标签图像的差异， 得到Loss1， Loss2和Loss3， 先分别计算出输出与标签图像的均值和方差， 记为 δ1， δ2， γ1和γ2 其中λ1和 λ2分别设置为1和0.01， p(x)表示标签图像， q(x)表示输出的概 率分布； 步骤3‑3： 使用公式(6)度量 out4与标签图像的差异， 得到L oss4 Loss＝‑∑p(x)logq(x)                                 (6) 步骤3‑4： 综合步骤3 ‑2和步骤3 ‑3得到该纹理增强网络的差异性损失， 该损失可由公式 (7)表示 TotalLoss＝Loss1+Loss2+Loss3+Loss4                  (7)。 9.根据权利要求8所述基于纹理增强网络的红外小目标分割检测方法， 其特征在于： 所 述步骤7中， 将得到的平均输出转化成单通道的分割 预测图像具体为： 红外图像经过步骤3权　利　要　求　书 2/3 页 3 CN 114897842 A 3