發(fā)布時(shí)間：2020-12-10 10:27

　　為提高紅外圖像目標(biāo)檢測(cè)的精度和實(shí)時(shí)性,提出一種基于偽模態(tài)轉(zhuǎn)換的紅外目標(biāo)融合檢測(cè)算法.首先,利用雙循環(huán)的生成對(duì)抗網(wǎng)絡(luò)無(wú)需訓(xùn)練圖像場(chǎng)景匹配的優(yōu)勢(shì),獲取紅外圖像所對(duì)應(yīng)的偽可見(jiàn)光圖像;然后,構(gòu)建殘差網(wǎng)絡(luò)對(duì)雙模態(tài)圖像進(jìn)行特征提取,并采取add疊加方式對(duì)特征向量進(jìn)行融合,利用可見(jiàn)光圖像豐富的語(yǔ)義信息來(lái)彌補(bǔ)紅外圖像目標(biāo)信息的缺失,從而提高檢測(cè)精度;最后,考慮到目標(biāo)檢測(cè)效率問(wèn)題,采用YOLOv3單階段檢測(cè)網(wǎng)絡(luò)對(duì)雙模態(tài)目標(biāo)進(jìn)行三個(gè)尺度的預(yù)測(cè),并利用邏輯回歸模型對(duì)目標(biāo)進(jìn)行分類.實(shí)驗(yàn)結(jié)果表明,該算法能夠有效地提高目標(biāo)檢測(cè)準(zhǔn)確率. 

【文章來(lái)源】：光子學(xué)報(bào). 2020年08期 第176-188頁(yè) 北大核心

【文章頁(yè)數(shù)】：13 頁(yè)

【部分圖文】：

提出算法的結(jié)構(gòu)示意圖

CycleGAN是近年提出的一種無(wú)需匹配樣本的圖像到圖像轉(zhuǎn)換框架，旨在通過(guò)降低對(duì)抗性損失獲得映射函數(shù)F:Y→X和G:X→Y，其中X和Y分別是源域（紅外圖像）和目標(biāo)域（可見(jiàn)光圖像）.如圖2，函數(shù)將圖像映射到兩個(gè)獨(dú)立的潛在空間，由兩個(gè)生成器Gx→y,Fy→x和兩個(gè)鑒別器Dx,Dy構(gòu)成.生成器Gx→y嘗試生成與域Y相似的圖像y?i，而Dy用于區(qū)分轉(zhuǎn)換的樣本y?i和真實(shí)樣本yi.為了減少可能的映射函數(shù)的空間，確保源域圖像xi在被轉(zhuǎn)換成目標(biāo)域（y?i）并重新變換回到源域（x?i）時(shí)x?i和xi將屬于相同的分布，實(shí)施周期一致性約束.圖2(a）表示該模型包含兩個(gè)映射函數(shù)G:X→Y和F:Y→X，以及相關(guān)的對(duì)抗鑒別器Dx和Dy.Dy支持G將X轉(zhuǎn)換為與域Y不可區(qū)分的輸出；同理，Dx支持F將Y轉(zhuǎn)換為與域X不可區(qū)分的輸出.為了進(jìn)一步正則化映射關(guān)系，引入循環(huán)一致性損失必須符合以下原則：如果從一個(gè)域轉(zhuǎn)換到另一個(gè)域，然后再返回，應(yīng)該到達(dá)源域.相應(yīng)地，圖2(b）表示前循環(huán)一致性損失，圖2(c）則表示后循環(huán)一致性損失：

期望的底層映射用H(x)表示，用來(lái)疊加的非線性層為F(x)=H(x)-x，則原始映射重新轉(zhuǎn)換為F(x)+x，那么優(yōu)化殘差映射要比優(yōu)化原始的未參考映射更容易.F(x)+x可通過(guò)前饋神經(jīng)網(wǎng)絡(luò)Shortcut Connections實(shí)現(xiàn)，Shortcut Connections可跨過(guò)一個(gè)或多個(gè)層的連接.重新將殘差單元定義為圖4 改進(jìn)的雙模態(tài)特征提取殘差網(wǎng)絡(luò)

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征融合與ROI預(yù)測(cè)的紅外目標(biāo)跟蹤算法[J]. 劉輝,何勇,何博俠,劉志,顧士晨.  光子學(xué)報(bào). 2019(07)
[2]復(fù)雜地面背景下的紅外目標(biāo)檢測(cè)算法[J]. 寧強(qiáng),秦鵬杰,石欣,李文昌,廖亮,朱家慶.  光子學(xué)報(bào). 2019(04)



本文編號(hào)：2908542