(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 202211398750.X (22)申请日 2022.11.09 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 纪禄平　祝杰文　陈圣嘉　宋方伟　 李乐潇　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/44(2022.01) G06V 10/42(2022.01) G06V 10/80(2022.01)G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于全局均值对比度空间注意力的红外小 目标检测方法 (57)摘要 本发明公开了一种基于全局均值对比度空 间注意力的红外小目标检测方法， 首先设计一种 基于全局对比度学习的检测网络， 提出一种基于 全局均值对比的空间注意力模块， 运用检测网络 的特征提取模块对红外小目标进行特征提取， 运 用特征融合模块进行多级融合， 通过损失函数定 义与解耦检测头设计， 对输出特征进行目标预 测、 误差损失计算、 迭代优化目标检测结果， 最终 达到有效检测红外小目标的目的。 本发明的方法 使红外小目标检测更加精确、 具有鲁棒性， 可有 效地检测对空、 对地检测由中波红外传感器实时 采集的红外图像， 检测目标空域中出现的弱小目 标， 是准确发出安全预警的前提， 可应用于民用 安防领域， 如探测违规放飞的无人机、 机场空域 飞鸟检测 和驱离等。 权利要求书3页 说明书9页 附图3页 CN 115527098 A 2022.12.27 CN 115527098 A 1.一种基于全局均值对比度空间注意力的红外小目标检测方法， 具体步骤如下： S1、 先设计一种基于全局对比度学习的检测网络； S2、 为步骤S1设计的检测网络进一 步提出一种基于全局均值对比的空间注意力模块； S3、 运用步骤S1中检测网络的特 征提取模块对红外小目标进行初级特 征提取； S4、 运用步骤S1中检测网络的特征融合模块对步骤S3提取到的红外小目标特征进行多 级融合； S5、 通过损失函数定义与 解耦检测头设计， 对步骤S4的输出特征进行目标预测、 误差损 失计算、 迭代优化目标检测结果。 2.根据权利要求1所述的一种基于全局均值对比度空间注意力的红外小目标检测方 法， 其特征在于， 所述 步骤S1中， 具体如下： 设计一种基于全局对比度学习的检测网络 框架， 主要结构组成包括： (1)红外图像特 征提取模块； 包括1个Focus ‑Conv子模块和一个双通路特 征提取子模块； 其中， 双通路的特 征提取子模块分别包括 一路Conv‑CSP组件和另一路SAG ‑Conv组件； (2)红外图像特 征融合模块； 本模块包括3个特征融合通路； 第一路是特征提取模块中末端SAGG组件的输出特征， 第 二路是特征提取模块末端CSPG组件的输出特征， 第三路是本融合模块末端的CSPG组件输 出、 并经过上采样后的特 征结果； 其中， 第三个特征融合通路包括两组Conv ‑SKConv子模块、 一组SPP子模块和一组Conv ‑ CSP子模块； 第一组Conv ‑SKConv子模块的输出与SPP子模块的输出经过上采样后存在融合 连接通路； 这两个子模块的融合输出是这组Conv ‑CSP子模块的特征输入； SPP子模块内部结 构由3个不同尺度的图像特 征通道组成三级特 征金字塔处 理模式； (3)红外小目标检测模块； 本模块包括两组Conv ‑SKConv子模块和一个基于YOLOV技术框架设计的小目标检测头； 由经过参数训练的检测头最后完成对红外小目标的检测、 分类和定位操作。 3.根据权利要求1所述的一种基于全局均值对比度空间注意力的红外小目标检测方 法， 其特征在于， 所述 步骤S2中， 具体如下： 在SAG块中采用一种简单而高效的预处 理优化全局均值对比： 其中， Xc表示红外通道图像， (i,j)表示像素坐标， H和W分别表示图像Xc的高度和宽度， Lc表示图像Xc的像素级增强或抑制的权 重因子； 将图像Xc中小于0的像素值设置为0， 以确保权 重Lc不为负值； 其中， 为使 Lc更准确得聚集到小目标所在区域， 设计一个1 ×1的卷积分支以优化全局特 征， 同时设计一个3 ×3的卷积分支以获取图像Xc的局部信息， 最后通过构建的全连接多层 感知机将两个分支的全局信息和局部信息有效融合在一起， 并生成当前输入图像X 的空间 像素级注意力图at t(X)； 对通道图像的空间注意力表示 为： 通过 得到关注小目标的特征图； 其中， Y表示当前输入图像X与生成的空权　利　要　求　书 1/3 页 2 CN 115527098 A 2间像素级注意力图att(X)进行再次加 权调制处理以后得到的结果， 表示拼接， 表示执 行Hadamard乘积， M LP表示一个全连接的多层感知机， Conv表示 卷积层操作， Lc表示图像Xc的 像素级增强或抑制的权 重因子。 4.根据权利要求1所述的一种基于全局均值对比度空间注意力的红外小目标检测方 法， 其特征在于， 所述 步骤S3中， 具体如下： 在特征提取中， 首先将原始图像进行预处理后 输入Focus模块进行切片， 在没有明显信 息丢失的情况下， 减少计算量， 加快计算速度； 在Focus模块之后， 图像进一步并行输入到两 个特征提取分支； 其中， 一个分支包含一系列的CSPG组件， 每个组件由一个卷积层和一个CSP层组成； 另 一个分支包 含了一系列的SAG G组件， 每 个组件是由三个SAG层和两个卷积层交替组成； 通过CSPG组件的残差设计， 使该分支感知小目标和周围局部背景的特 征信息； 通过这两个分支， 从红外图像中获取到小目标全局特征Xg和局部特征Xl， 两者可以表示 成： 其中， CSP表示一个CSP层， Conv表示卷积层操作， 而SAG则表示所提出的空间注意力机 制层。 5.根据权利要求1所述的一种基于全局均值对比度空间注意力的红外小目标检测方 法， 其特征在于， 所述 步骤S4中， 具体如下： 在特征融合中， 特征Xg和Xl首先拼接在一起然后再通过两个SKConvG组件进行处理， 每 个组件都有两个SKConv层， 有效地融合这两种特征， 构建一个有效的全局上下文， 减少可能 造成的上 下文损失； 在有效融合之后， 使用SPP结构， 丰富特征图的表达能力， 以防止红外小目标可能存在 的丢失； 接着， 再进行 上采样后， 将特 征图与第一个SKCo nvG组件的输出拼接起 来； 其中， 通过一个额外的CSP模 块和一个 上采样操作获得特征Xf； 在连接了Xl， Xg和Xf后， 设 计另一个SKConvG组件来融合这三种特性， 从而实现主干网络的最 终输出； 针对这三种特征 提出的融合方案用以下表达式表示： 其中， Xo表示特征信息， SPP表示一个标准的空间金字塔池化模块， 表示它是多 个SKConvG组件串联， SKCo nv则表示 一个选择性核卷积层。 6.根据权利要求1所述的一种基于全局均值对比度空间注意力的红外小目标检测方 法， 其特征在于， 所述 步骤S5中， 具体如下： 采用两个分支分别计算分类误差损失值(Losscls)、 回归误差损失值(Lossiou)和目标误权　利　要　求　书 2/3 页 3 CN 115527098 A 3