[发明专利]一种基于边界交替引导的伪装物体检测方法

权利要求书

1.一种基于边界交替引导的伪装物体检测方法，其特性在于，包括：

构建基于边界交替引导的伪装检测模型，在骨干网络的基础上，增加并使用初始定位模块提取骨干网络多尺度深层特征，得到伪装物体的粗略定位图；

增加并使用多尺度感受野模块扩大粗略定位图的感受野提升语义信息提取能力；

增加并使用边界交替引导模块逐层提取区域图和边界图并彼此进行约束细化得到精确的伪装物体预测图；

进行模型训练，将待检测图像输入所述伪装检测模型，采样至原始图像大小，构建损失函数计算各预测图和真实标注图的误差，并反向传播更新所述伪装检测模型；

进行模型检测，将待检测图像输入至更新后的伪装检测模型，预测其对应的伪装物体预测图，并输出最终伪装物体预测图。

2.如权利要求1所述的基于边界交替引导的伪装物体检测方法，其特征在于：所述骨干网络采用ResNet-34网络。

3.如权利要求1或2所述的基于边界交替引导的伪装物体检测方法，其特征在于：所述初始定位模块，包括：

移除所述ResNet-34网络中最后一层全连接层；

所述初始定位模块将第五层测输出S₅分别输入平均池化分支和最大池化分支；

所述平均池化分支中S₅经过全局平均池化层和两个卷积层，每个卷积层后附有一个BN归一化层和一个PReLU非线性激活层，得到平均池化特征具体公式为：

其中，GlobalAvg表示全局平均池化，Conv_1×1表示卷积核为1的卷积层；

所述最大池化分支中S₅经过全局最大池化层和两个卷积层，每个卷积层后附有一个BN归一化层和一个PReLU非线性激活层，得到最大池化特征具体公式为：

其中，GlobalMax表示全局最大池化，Conv1x1表示卷积核为1的卷积层；

将两个平均池化特征和平均池化特征进行通道拼接后再进行卷积得到第五层粗略定位图R₅，具体公式为：

其中，Cat(·,·)表示沿通道维度进行拼接；Conv_3×3中卷积参数为{1024，3×3}，卷积参数{n，k×k}的n表示卷积通道数，k表示卷积核大小；卷积层之后都有一个BN归一化层和一个PReLU非线性激活层；

对其余侧输出S₂-S₄进行相同的操作，最终得到其余四个粗略定位图R₂-R₄。

4.如权利要求3所述的基于边界交替引导的伪装物体检测方法，其特征在于：所述多尺度感受野模块，包括：

将所述第五层粗略定位图R₅按通道数均分为4份同时输入4个并行分支，包括第一分支、第二分支、第三分支、第四分支，表示为：

[x₁,x₂,x₃,x₄]＝split(R₅)

其中，split(·)表示沿通道维度进行分割；

所述第一分支中，直接对输入x₁进行卷积，每个卷积层后附有一个BN归一化层和一个PReLU非线性激活层，公式表示为：

所述第二分支中，将所述第二分支输入x₂和所述第一分支输出进行元素相加后再进行卷积，每个卷积层后附有一个BN归一化层和一个PReLU非线性激活层，公式表示为：

所述第三分支中，将所述第三分支输入x₃和所述第二分支输出进行元素相加后再进行卷积，每个卷积层后附有一个BN归一化层和一个PReLU非线性激活层，公式表示为：

所述第四分支中，将第四分支输入x₄和所述第三分支输出进行元素相加后再进行卷积，每个卷积层后附有一个BN归一化层和一个PReLU非线性激活层，公式表示为：

然后将四个分支的输出进行通道拼接后输出，得到扩展感受野后的定位图R₅′，公式表示为：

其中，Cat(·,·)表示沿通道维度进行拼接。