首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于状态空间模型的红外无人机群检测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:长春理工大学

摘要:本发明属于目标检测领域,公开了一种基于状态空间模型的红外无人机群检测方法,该方法具体包括如下步骤:S1,准备数据集:准备三种红外无人机图像数据集,第一红外数据集和第二红外数据集用于网络训练和模型微调,第三红外数据集用于模型测试,本发明,设计了一种全新的MOLO目标检测网络,将思想融入主干网络和颈部网络,使网络具有线性复杂度、全局感受野和动态权重,设计了大核稀疏化结合空间自适应的视觉状态空间模型VSS‑D特征提取模块,设计一个辅助可逆分支,帮助主干网络接收可靠的梯度信息,解决深度网络信息瓶颈导致的重要信息丢失问题。实验数据证明在多种背景下红外无人机群目标检测任务中都表现出了良好的性能。

主权项:1.一种基于状态空间模型的红外无人机群检测方法,其特征在于:该方法具体包括如下步骤:S1,准备数据集:准备三种红外无人机图像数据集,第一红外数据集和第二红外数据集用于网络训练和模型微调,第三红外数据集用于模型测试;S2,设计基于状态空间模型的VSS-D特征提取模块:该模块包括状态空间算子SS2D、深度扩张卷积、深度卷积、通道卷积、归一化层、线性层和激活函数;结构为输入经过层归一化前先进行残差连接到最后的输出,主支路进行层归一化后分为两条支路,第一分支经过线性层、激活函数后又分为两条支路,其中一条通过深度可分离卷积、深度扩张可分离卷积和一个的卷积与另一支路逐元素乘积合并,然后进入到SS2D中进行二维选择性扫描,特征归一化后与第二分支输出进行逐元素乘积合并,再使用一个线性层进行混合特征,并与残差连接相加形成VSS-D特征提取模块的输出,激活函数使用函数;S3,构建MOLO网络模型:构建一种新型目标检测网络MOLO,其中包括主干网络、颈部网络、四头检测头和辅助可逆分支;主干网络中每次特征提取后数据分别传给下一层和颈部网络对应部分,传给下一层的数据经历一次下采样后继续提取特征,直至最后一层提取特征后进入池化金字塔模块在不同尺度上捕捉更精细的目标特征,然后特征图一条路传给颈部网络中的上采样层三进行上采样以保证与主干网络中VSS-D特征提取模块三提取后的特征图通道数相同进行特征融合;另一条路传给下一列的特征融合层六,与下一列网络传下来的浅层特征进行特征融合,经历VSS-D特征提取模块十和卷积后输出大尺寸物体检测结果,第一条路中经过特征融合层三后的特征图进入到VSS-D特征提取模块六进行特征提取,一条路继续沿原方向传入上采样层二扩充通道数;另一条路与下一列网络传下来的浅层特征融合,经过一次VSS-D特征提取模块九和卷积后输出中尺寸物体检测结果,在上采样层二通道数扩充后的特征图与主干网络VSS-D特征提取模块2传过来的特征图进行特征融合,并传入VSS-D特征提取模块五中,一条路传入浅层,另一条路传到下一列网络中与传下来的最浅层特征在特征融合层四中融合,经过VSS-D特征提取模块八和卷积后输出小尺寸物体检测结果,浅层特征与一路传过来的深层特征进行特征融合后,经过VSS-D特征提取模块七和卷积后输出微小尺寸物体检测结果,同时在训练过程中启用辅助可逆支路并连接在主干网络上,不断更新浅层权重,训练结束后关闭辅助可逆分支;辅助可逆分支由张量拆分模块、融合模块、特征提取模块和批量合并模块构成;S4,训练网络模型:利用第一红外图像数据集对网络模型进行训练;S5,设计损失函数并确定评价指标:改进新的复合损失函数,提高小目标的检测精度,使得类别分类损失、边框回归损失和包围框相似度损失最小,设定训练损失阈值,不断迭代优化模型,直至损失函数的值达到设定阈值,保存模型参数;选择最优评价指标,对模型的精度和性能进行评价;S6,微调模型,用第二红外图像数据集对模型进行训练和微调,优化模型参数,提高网络性能,得到更准确的目标检测结果;S7,保存模型,待S5微调训练后,固化所有网络参数,确定最终目标检测模型。

全文数据:

权利要求:

百度查询: 长春理工大学 一种基于状态空间模型的红外无人机群检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。