1. <menuitem id="edugg"><ins id="edugg"><delect id="edugg"></delect></ins></menuitem> <progress id="edugg"></progress>

      <samp id="edugg"><ins id="edugg"></ins></samp>
      <samp id="edugg"></samp>
        <menuitem id="edugg"></menuitem>
        <dl id="edugg"></dl>

        《電子技術應用》
        您所在的位置:首頁 > 其他 > 設計應用 > 融合注意力機制的弱監督迷彩偽裝目標檢測算法
        融合注意力機制的弱監督迷彩偽裝目標檢測算法
        網絡安全與數據治理 3期
        楊 輝1,權冀川1,梁新宇1,郭安文1,王中偉2
        (1.陸軍工程大學 指揮控制工程學院,江蘇 南京210007;2.中國人民解放軍73658部隊)
        摘要: 隨著計算機硬件和人工智能技術的發展,強監督目標檢測算法已經取得了很大的成果。然而,強監督目標檢測算法需要在大規模、標注精度高的數據集上進行訓練。但在某些特定領域,上述條件要求過于苛刻。例如,軍事上常用的迷彩偽裝目標的圖像數據集就比公共數據集更難獲得且標注難度更大。因此,采用對數據集要求更低的弱監督目標檢測算法來實現迷彩偽裝目標的檢測任務。由于圖像中迷彩偽裝目標與背景融合度較大,導致原始淺層特征感知偽監督目標定位(Shallow feature-aware Pseudo supervised Object Localization,SPOL)算法的檢測精度相對較低。本文的核心是在SPOL算法的基礎上融合注意力機制,通過加入注意力模塊,讓模型更加關注迷彩偽裝目標的區域,以此來提高迷彩偽裝目標的檢測精度。
        中圖分類號: TP183
        文獻標識碼: A
        DOI: 10.20044/j.csdg.2097-1788.2022.03.013
        引用格式: 楊輝,權冀川,梁新宇,等. 融合注意力機制的弱監督迷彩偽裝目標檢測算法[J].網絡安全與數據治理,2022,41(3):81-91.
        Weakly supervised camouflage object detection algorithm fused with attention mechanism
        Yang Hui1,Quan Jichuan1,Liang Xinyu1,Guo Anwen1,Wang Zhongwei2
        (1.Command & Control Engineering College,Army Engineering University of PLA,Nanjing 210007,China; 2.Unit 73658 of PLA,China)
        Abstract: With the development of computer hardware and artificial intelligence technology, strongly supervised object detection algorithms have achieved great results. However, strongly supervised object detection algorithms need to be trained on large-scale datasets with high annotation accuracy. But in some specific fields, the above conditions are too demanding. For example, image datasets of camouflage objects commonly used in military are more difficult to be obtained and labeled than public datasets. Therefore, this paper adopted a weakly supervised algorithm with lower requirements for datasets to detect the camouflage objects in images. Due to the high degree of fusion between the camouflage objects and the image background, the detection accuracy of the original SPOL(Shallow feature-aware Pseudo supervised Object Localization) algorithm was relatively low. The core of this paper was to integrate the attention mechanism into the SPOL algorithm. After added an attention module, the model could pay more attention to the area with camouflage objects. So, the detection accuracy of the camouflage objects was improved.
        Key words : object detection;weakly supervised algorithm;attention mechanism;camouflage object

        0 引言

        軍事上采用迷彩偽裝的目的是隱蔽自己、欺騙敵人、提高戰場生存能力。相對于通用的目標檢測任務,圖像中的迷彩偽裝目標與背景環境融合度較大,實現其目標檢測任務更加困難。

        目前,對迷彩偽裝目標檢測研究的工作較少。傳統的檢測方法主要把迷彩偽裝目標看作是一種具有特殊紋理結構的目標,并針對這一特性設計相應算法提取迷彩紋理,從而實現迷彩偽裝目標的檢測。Bhajantri等人[1]將目標的迷彩偽裝紋理作為一類物體,然后對該類物體進行檢測。Sengottuvelan等人[2]通過圖像的結構信息,確定圖像中是否存在迷彩偽裝目標。Wu等人[3]根據目標在三維凸面上的灰度差異來檢測迷彩偽裝目標。盡管傳統方法可以實現對迷彩目標的檢測,但該類方法僅利用了圖像的淺層特征信息,其檢測效果相對較差。

        近年來的研究工作主要是使用基于深度卷積神經網絡的強監督目標檢測算法完成迷彩偽裝目標的檢測任務。Deng等人[4]針對迷彩偽裝目標的特性,在RetinaNet[5]算法的基礎上嵌入了空間注意力和通道注意力模塊。同時,基于定位置信得分構建了新的預測框過濾算法,有效實現了對迷彩偽裝人員的檢測。Wang等人[6]以YOLO(You Only Look Once)v5算法為基礎,設計了一種針對迷彩偽裝目標的檢測算法,該算法在骨干網絡中加入了注意力機制,同時加入非對稱卷積模塊增強了目標的語義信息,從而提升了迷彩偽裝目標的檢測精度。雖然強監督目標檢測算法比傳統方法的檢測效果有了很大的提升,但該類算法模型需要在大規模標注精度高的數據集上進行訓練,檢測結果嚴重依賴于數據集標注的精度。目前的數據集標注工作主要是靠人工完成,而人工標注在很大程度上容易受人的主觀因素影響,在軍事應用領域很難獲得大規模的且標注精度高的數據集。

        在軍事領域,受保密等特殊條件限制,很難構建包含迷彩偽裝目標的大規模圖片數據集。并且,圖片中的迷彩偽裝目標與圖片背景的融合度較大,從本質上增加了目標檢測的難度。同時在人工標注時也很容易造成誤標或漏標,嚴重影響數據集的使用效果。若在小規模且標注精度低的數據集上訓練強監督目標檢測算法,則訓練出來的模型對迷彩偽裝目標的檢測效果會很不理想。而弱監督目標檢測算法可以很好地克服強監督目標檢測算法的這一局限性。弱監督目標檢測算法只需要帶有圖像級標簽(不需要標注出目標在圖像中的具體位置,只需要標明圖像中包含物體的類別)的數據集就能實現目標檢測,大幅降低了對數據集標注的要求。因此,弱監督目標檢測算法比強監督目標檢測算法具有更強的適應能力。



        本文詳細內容請下載:http://www.salsaaa.com/resource/share/2000004910





        作者信息:

        楊  輝1,權冀川1,梁新宇1,郭安文1,王中偉2

        (1.陸軍工程大學 指揮控制工程學院,江蘇 南京210007;2.中國人民解放軍73658部隊)


        微信圖片_20210517164139.jpg

        此內容為AET網站原創,未經授權禁止轉載。
        国产野外无码激情理论片

        1. <menuitem id="edugg"><ins id="edugg"><delect id="edugg"></delect></ins></menuitem> <progress id="edugg"></progress>

          <samp id="edugg"><ins id="edugg"></ins></samp>
          <samp id="edugg"></samp>
            <menuitem id="edugg"></menuitem>
            <dl id="edugg"></dl>