基于改进YOLOv7的机载红外弱小目标检测算法.pdf
《基于改进YOLOv7的机载红外弱小目标检测算法.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv7的机载红外弱小目标检测算法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期 激 光 与 红 外 ,年 月 ,文章编号:()红外技术及应用基于改进 的机载红外弱小目标检测算法张子林,喻松林,王戈,刘彤(华北光电技术研究所,北京 )摘要:随着现代化战争的技术升级,机载红外探测领域对更快更远更准地发现目标的需求日益强烈。为满足机载环境下对红外弱小目标高精度高帧率的检测,本文提出了一种基于 改进的目标检测算法,以 目标检测算法为基础,进行了修改网络结构和加深卷积层数来使特征提取更多的小目标信息特征;并对骨干网络获取的特征层引入注意力机制来提高神经网络对小目标的感知能力以及提高小目标所在区域的权重占比;使用 损失函数替换原本的 损失函数,提高了收敛速度和定位精度
2、。实验结果表明,相较于原算法 ,在极小损失帧率的情况下,改进后的算法 可以达到 ,相较原始算法提升了 ,有助于提升对机载红外弱小目标的检测准确率。关键词:机载红外探测;注意力机制;损失函数中图分类号:;文献标识码:收稿日期:;修订日期:,(,):,:;引言目前探测成像的方式主要分为基于可见光的探测成像、基于红外系统 的探测成像和基于雷达的探测成像。基于可见光成像的目标纹理清晰、特征明显,目前大部分的目标检测算法研究都是基于可见光的,虽然基于可见光目标检测技术较为成熟,但难以满足部分军事领域全天候的环境需要,如航空领域;雷达能够获得图像更为精细的特征信息,但随着“电子对抗、反辐射导弹、超低空突破
3、防守和新一代隐形战斗机”等反侦察技术的不断提出和改进,这严重影响了基于雷达在目标检测识别的应用;而红外探测成像具有很强的抗干扰能力、可以无视大部分常规复杂地形空间、并能进行全天工作,可以很好地提供稳定可靠的目标图像,具有先天的目标检测识别优势,随着红外探测技术发展,该技术在机载、舰载等领域获得了广泛的应用。目标成像大小往往随着探测的距离成反比,距离越远,成像的目标就越小,轮廓就越小,能够更快更好的检测到红外小目标更是有利于快人一步发现对方。国际光学工程学会定义弱小目标局部信噪比 ,图像中的像素大小 ,其所占一帧图像大小为 的 。基于红外成像的弱小目标往往缺失色彩、特征模糊,可利用的信息更少,其
4、次,红外图像通常会受到强背景杂波和噪声的影响,因此信杂比和信噪比较低,检测难度更大。传统的红外弱小目标检测算法针对红外小目标特性往往采用滤波、局部对比度测量(、等)等单帧和基于序列的方法去分割图像中的噪声与小目标。目前已经形成了良好的体系,但缺点明显,没有很好的鲁棒性同时难以满足实时检测,而随着深度学习的火热兴起,基于深度学习的目标检测算法具有断层式的准确率和良好的实时性。目前深度学习目标检测算法主要以 系列为代表的两阶段检测算法与 、代表的一阶段检测算法组成,当然也有一些衍生的基于 和基于关键点的一些目标检测算法也在逐渐崭露头角。系列算法作为单阶段的目标检测算法,在具有较高的的检测准确率的同
5、时具有较高的帧率,可以满足实时性。自提出以来便被研究人员应用于各大领域。在红外领域中,刘彤 提出 骨干网络结合 进行特征提取的方法对 改进,使其局部特征能够与全局特征融合,提高了特征图的表征能力,但准确率较低,且仅针对红外船舶场景;针对机载红外弱小目标提出了 检测算法,有效降低了虚警率,但难以满足实时性。,针对小目标对 算法改进,优化了目标锚框和引入注意力机制提高了检测精度,但依旧低于 的实验结果。针对以上不足,本文选择 作为目标检测的基础模型,对其进行改进以此提高对机载红外弱小目标检测的准确率。作为当前最为先进的 系列的目标检测算法,自公布以来,就迅速被实验人员应用于各大领域。无论是检测精度
6、还是检测速度都超越了已知的检测算法。本文主要内容主要包括:()对 网络结构进行修改,对其新增一个特征层获得尺寸较大的特征图,新增的特征层下采样较少,但分辨率高,有助于网络模型学习弱小目标的特征。()针对红外弱小目标尺寸占比过小及信息特征较少问题,引入注意力机制,激励网络模型更加关注需要学习的特征信息。()原先使用损失函数 替换为 损失函数,使其网络模型能够更快的收敛。模型作为目前最为先进的单阶段目标检测模型,但 网络结构和前几代几乎没有变化。按照功能划分主要包含三个模块,骨干网络()、颈部网络()以及头部网络()。的主要作用是进行对输入的图像进行特征提取,并最终获得三个特征层。网络结构主要由
7、(卷积 归一化 激活函数)模块、模块与 独有的 模块组成,模块结构图如图 所示。设计的 ()模块通过考虑最短梯度路径使得可以堆叠更多 ,在不改变原始框架梯度传输路径的基础上,通过使用组卷积来增加特征的基数,并使用无序合并基数的方法组合出不同的特征。这种方式可以增强通过不同特征图学习的特征,并改进参数和计算的使用,提高了网络的学习能力。激 光 与 红 外 张子林等基于改进 的机载红外弱小目标检测算法 主要包含了 模块和 模块,模块称为特殊的 结构:使用了具有 结构的 扩大感受野,模块主要作用是进行特征图融合,丰富特征信息,有助于检测出尺寸较小的目标物体。中依然使用了 结构,不仅对特征进行上采样实
8、现特征融合,还会对特征再次进行下采样实现特征融合。图 网络结构 是 的分类器与回归器,通过 和 获得三个加强过的有效特征层,每一个特征层都有宽、高和通道数,此时可以将特征图看作一个又一个特征点的集合,每个特征点上有三个先验框,每一个先验框都有通道数个特征。所做的工作就是对特征点进行判断,判断特征点上的先验框是否有物体与其对应。使用的解耦头和以前的版本一样,把分类和回归都放在一个 卷积里实现。除此之外,借鉴了 的思想,在强化后的特征层输入 之前添加了新设计的 模块来进行辅助训练,的加入不仅降低了网络的复杂度,而且网络的预测性能没有出现下降。因此,整个 网络所作的工作就是 “特征提取 特征加强 预
9、测先验框对应的物体情况”。利用 特征金字塔,获得三个加强特征,然后利用这三个 的特征层传入 进行分类与回归获得预测结果。算法改进 改进后的 网络结构参考赵元龙 的针对小目标的修改网络设计,本次的网络设计也同样增加一个特征层以此来提高对小目标检测效果。除此之外,成浪对 网络结构引入注意力机制,但经过实验发现如果把注意力机制添加到骨干网络中会影响初始化权值,进而导致检测准确率问题。故本文考虑把注意力机制添加到骨干网络输出的特征层后,以期来提高模型的准确率与稳定性。此次改进的网络结构图如图 所示。图 改进后的 网络结构 激 光 与 红 外 第 卷如图所示,新增特征层()获取尺寸较大的特征图,由于感受
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv7 机载 红外 弱小 目标 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。