CN115311508B 一种基于深度u型网络的单帧图像红外弱小目标检测方法 （北京邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115311508B(45)授权公告日2025.07.11

(21)申请号202210947869.1

(22)申请日2022.08.09

(65)同一申请的已公布的文献号申请公布号CN115311508A

(43)申请公布日2022.11.08

(73)专利权人北京邮电大学

地址100876北京市海淀区西土城路10号

(72)发明人王莉吴鑫费爱国徐连明

许云鹏

(74)专利代理机构四川省方圆智云知识产权代理事务所(普通合伙)51368

专利代理师王悦

(51)Int.CI.

GO6V10/77(2022.01)

GO6V10/82(2022.01)

GO6V20/40(2022.01)

GO6V10/143(2022.01)

GO6N3/048(2023.01)

(56)对比文件

XinWu等.UIU-Net:U-NetinU-NetforInfraredSmallObjectDetection.《arXiv》.2022,1-14.

XinWu等.InfraredSmallObject

DetectionUsingDeepInteractiveU-Net.

《IEEEGEOSCIENCEANDREMOTESENSING

LETTERS》.2022,第19卷1-6.

审查员黄文琪

权利要求书4页说明书14页附图6页

(54)发明名称

一种基于深度U型网络的单帧图像红外弱小目标检测方法

(57)摘要

CN115311508B本发明公开了一种基于深度U型网络的单帧图像红外弱小目标检测方法，该方法包括构建基于深度监督U型网络及加入该深度监督U型网络中的密集特征编码模块的单帧图像红外弱小目标检测模型，其中，所述深度监督U型网络可提取得到的多层次、多尺度的图像特征并对其进行精度还原，密集特征编码模块可进行通道注意力交叉导向学习和空间注意力交互导向学习，在网络深度增加的同时不损失特征分辨率失，同时可提升目标的全局及局部上下文表征，实现像素特征之间的长距离依赖关系；且所述检测模型不依赖经典的分类骨干网络，可解决传统深度网络中弱小目标的深度语义特征可判性降低、无法关注目标的局部上下文信息等问题，实现精准的红外弱小目标

CN115311508B

设计深度监督U-Net特征生

成模型，提取多尺度高分

辨目标特征，并提升目标

的全局上下文表征

构建密集特征编码模型，

提升目标的局部上下文

表征

通过标准二元交叉损失函

数，训练优化弱小目标检

测模型

在NVIDIAGeforce计算机

上验证模型对视频序列图

像中目标的检测性能

CN115311508B权利要求书1/4页

2

1.一种基于深度U型网络的单帧图像红外弱小目标检测方法，其特征在于，其包括：

S1:构建基于深度U型网络的单帧图像红外弱小目标检测模型；

S2:通过标注后的单帧红外图像样本集或其经过增强处理后的增强样本集训练所述检

测模型；

S3:通过训练完成的所述检测模型实现对视频序列图像集中的红外弱小目标的检测；

其中，所述检测模型基于深度监督U型网络及加入该深度监督U型网络中的密集特征编码模块构建；

其中，所述深度监督U型网络包括获得多层次、多尺度图像提取特征的压缩路径网络，及进行多层次、多尺度下图像精度还原的扩展路径网络，所述密集特征编码模块位于所述压缩路径网络与所述扩展路径网络之间；

所述密集特征编码模块包括对所述压缩路径网络得到的多层次、多尺度提取特征的低层细节特征进行通道注意力交叉导向学习，得到多层次低层特征的第一编码模块；对所述低层特征进行空间注意力交互导向学习，得到多层次高层特征的第二编码模块；及将所述低层特征与所述高层特征进行级联得到密集编码特征的第三编码模块；

其中，所述密集编码特征的获得包括：

将经所述压缩路径网络的第k层得到的特征进行自适应平均池化，得到自适应平均池化后特征F′;

将所述自适应平均池化后特征F输入一个权重共享的、