(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 20221025714 4.X (22)申请日 2022.03.16 (71)申请人 南京邮电大 学 地址 210009 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 邓丽珍　何家为　朱虎　刘建辉　 程钊　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 董建林 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于学习神经网络的伪装目标检测方 法及系统 (57)摘要 本发明公开了伪装目标检测领域的一种基 于学习神经网络的伪装目标检测方法及系统， 采 集检测图像输入至预先训练好的目标搜索模型， 获得低级到高级依次设置的多层伪装目标表征； 由各层伪装目标表征中提取伪装表征分片， 并输 入至预先训练好的目标识别模型获得相应等级 的多个伪装识别特征； 将各伪装识别特征进行卷 积获得伪装识别层级图像， 将各伪装识别层级图 像进行叠加获得伪装识别图像； 本发 明通过感受 野网络对提取的伪装表征f进行感受野放大， 通 过多尺度提取伪装表征分片输入目标识别模型 中， 重新拼接出伪装表征， 捕获全局局部的上下 文细节信息， 可以更好识别边缘纹理结构， 从而 获得更高的识别准确率。 权利要求书3页 说明书8页 附图2页 CN 114842324 A 2022.08.02 CN 114842324 A 1.一种基于学习神经网络的伪装目标检测方法， 其特 征在于， 包括： 采集检测图像输入至预先训练好的目标搜索模型， 获得低级到 高级依次设置的多层伪 装目标表征； 由各层伪装目标表征中提取伪装表征分片， 并输入至预先训练好的目标识别模型获得 相应等级的多个伪装识别特 征； 将各伪装识别特征进行卷积 获得伪装识别层级图像， 将各伪装识别层级图像进行叠加 获得伪装识别图像； 所述目标搜索模型和目标识别模型的训练过程包括： 采集包含伪装目标的训练图像， 获取训练数据集； 将通过训练数据集对目标搜索模型和目标识别模型进行训练， 计算训练过程中伪装识 别的结构化损失值S， 根据结构化损失值S迭代调整目标搜索模型和目标识别模型的参数， 获得设定要求的目标搜索模型和目标识别模型。 2.根据权利要求1所述的一种基于学习神经网络的伪装目标检测方法， 其特征在于， 所 述采集检测图像输入至预先训练好的目标搜索 模型， 获得低级到高级依次设置的多层伪装 目标表征的方法包括： 将检测图像输入至目标搜索模型中的Res2Net50残差网络， 输出低级到高级依次设置 的四层伪装表征f； 通过感觉野网络对各层伪装表征f的局部细 节信息放大， 分别获得伪装目标表征fr2、 伪 装目标表征fr3、 伪装目标表征fr4和伪装目标表征fr5。 3.根据权利要求2所述的一种基于学习神经网络的伪装目标检测方法， 其特征在于， 由 各层伪装目标表征中提取伪装表征分片的方法包括： 提取伪装目标表征fr5的四分片作为伪装表征分片fr ′5； 提取伪装目标表征fr4的二分 片作为伪装表征分片fr ′4； 提取伪装目标表征fr3的整体作为伪装表征分片fr ′3； 提取伪装 目标表征fr2的整体作为伪装表征分片fr ′2。 4.根据权利要求3所述的一种基于学习神经网络的伪装目标检测方法， 其特征在于， 伪 装表征分片输入至预先训练好的目标识别模型获得相 应等级的多个伪装识别特征的方法 包括： 按照由低级到高级的顺序将伪装表征分片fr ′5、 伪装表征分片fr ′4、 伪装表征分片fr ′3 和伪装表征分片fr ′2依次输入至目标识别模型； 对最低级的伪装表征分片fr ′5进行小波注意力变换提取伪装识别特 征r5； 将下一级伪装表征分片rfn和上一级提取的伪装识别特征rn+1结合后， 通过小波注意力 变换依次获得伪装识别特 征rn。 5.根据权利要求4所述的一种基于学习神经网络的伪装目标检测方法， 其特征在于， 将 下一级伪装表征分片rfn和上一级提取的伪装识别特征rn+1结合后， 通过小波注意力变换依 次获得伪装识别特 征的方法包括： 将下一级伪装表征分片rfn和上一级提取的伪装识别特征rn+1进行结合后进行卷积， 获 得低频分量 LL、 高频分量 LH、 高频分量HL和高频分量H H； 由所述低频分量LL捕获伪装目标的伪装分割信 息和轮廓信息； 通过注意力机制AM和含 有实例归一化残差块 ResIN对低频分量LL进 行加强， 叠加伪装分割信息和轮廓信息， 获得低权　利　要　求　书 1/3 页 2 CN 114842324 A 2频分量伪装特 征rLL； 将高频分量LH、 高频分量HL和高频分量HH分别通过归一化残差块ResB和注意力机制AM 进行增强， 获得高频分量伪装特 征rLH、 高频分量伪装特 征rHL和高频分量伪装特 征rHH； 将低频分量伪装特征rLL、 高频分量伪装特征rLH、 高频分量伪 装特征rHL和高频分量伪 装 特征rHH进行转置卷积TC， 获得伪装识别特 征rn。 6.根据权利要求1所述的一种基于学习神经网络的伪装目标检测方法， 其特征在于， 计 算训练过程中伪装识别的结构化损失值S， 计算公式为： S＝α *So+(1‑α )*Sr So＝ μ*OFG+(1‑μ )*OBG 其中， So表示为面向物体的结构相似性度量； Sr表示为面向区域的结构相似性度量； α 表 示为权重因子； Wk表示为第k个伪装表征分片的权值； K表示为伪装表征分片的总量； k表示 伪装表征分片的序列号； μ为前景面积 所占图像的比例； OBG表示为背景度量； OFG表示为前景 度量。 7.根据权利要求6所述的一种基于学习神经网络的伪装目标检测方法， 其特征在于， 计 算所述背景度量OBG和前景度量OFG， 表达公式为： 其中， DFG表示为伪装预测图与伪装表征分片的前景区域差别程度， ， xFG表示伪装目标预 测图的前景区域的概率值， yFG分别表示伪装表征分片的前景区域的概率值， 表示为各 概率值xFG的均值， 表示为各概率值yFG的均值， 表示为各概率值xFG的方差， DBG表示 为伪装预测图与伪装表征 分片的后景区域差别程度， xBG表示伪装目标预测图的后景区域的 概率值， yBG分别表示伪装表征分片的后景区域的概率值， 表示为各概率值xBG的均值， 表示为各概率值yBG的均值， 表示为各概率值xBG的方差。 8.一种基于学习神经网络的伪装目标检测系统， 其特 征在于， 包括： 采集模块， 采集检测图像； 目标搜索模块， 用于将采集的检测图像输入至预先训练好的目标搜索模型， 获得低级 到高级依次设置的多层伪装目标表征；权　利　要　求　书 2/3 页 3 CN 114842324 A 3