本發(fā)明涉及紅外目標識別，具體地說是一種面向異源圖像泛化的紅外目標識別方法。

背景技術：

1、紅外成像具有煙霧透過能力強、分辨率高、可全天時工作的優(yōu)點，且由于紅外成像是被動接收輻射，隱蔽性好，安全性更強。因此，用于紅外目標識別的算法得到了廣泛的研究。

2、隨著近幾年深度學習的發(fā)展，基于深度學習的紅外目標識別算法被大量提出。盡管深度學習技術在可見光領域取得了顯著的效果，但由于紅外圖像與可見光相比，存在沒有顏色、缺乏紋理，以及紅外圖像不易獲取，數(shù)據(jù)量嚴重不足等問題，使得基于深度學習的紅外目標檢測算法無法獲得理想的效果。由于可見光數(shù)據(jù)量比較豐富，使得深度學習的異源圖像泛化性研究開始逐漸受到關注。當前，提升模型泛化性性能的主要手段是數(shù)據(jù)增強和不同的數(shù)據(jù)源參與訓練，以及目標源數(shù)據(jù)參與微調。而紅外圖像往往比較缺乏，甚至沒有。針對這種情況，我們提出一種面向異源圖像泛化的紅外目標識別方法。

技術實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術的不足，發(fā)明一種面向異源圖像泛化的紅外目標識別方法，該方法針對紅外圖像數(shù)據(jù)缺少，甚至沒有的情況，采用異源圖像，通過深度學習和重參數(shù)化技術，提高了紅外圖像目標的檢測能力。

2、本發(fā)明為實現(xiàn)上述目的所采用的技術方案是：一種面向異源圖像泛化的紅外目標識別方法，包括以下步驟：

3、步驟1、統(tǒng)計數(shù)據(jù)集目標尺寸，判斷目標大?。?/p>

4、步驟2、構建適應目標尺寸的卷積核模型；

5、步驟3、完成卷積核模型在數(shù)據(jù)集上的預訓練；

6、步驟4、在數(shù)據(jù)集上，采用不同的訓練方式調節(jié)多個模型；

7、步驟5、通過參數(shù)重參數(shù)化的方式，利用多個模型權重重參數(shù)化成單個模型權重，得到用于紅外目標識別的模型；

8、步驟6、將待識別圖像輸入到模型中，實現(xiàn)目標識別。

9、所述步驟1、統(tǒng)計數(shù)據(jù)集目標尺寸，具體如下：首先統(tǒng)計數(shù)據(jù)集中所有目標的寬高與圖像的寬高比，然后將寬高比的中位數(shù)與參考數(shù)值對比來判斷目標的大小。

10、所述步驟2、構建適應目標尺寸的卷積核模型，采用lsknet作為模型的骨干網(wǎng)絡，根據(jù)步驟1中獲取的目標大小確定卷積核的尺寸。

11、所述步驟3、完成卷積核模型在數(shù)據(jù)集上的預訓練，采用lsknet的默認配置，使用已訓練好的權重，初始化網(wǎng)絡模型。

12、所述步驟4、在數(shù)據(jù)集上，采用不同的訓練方式調節(jié)多個模型，包括以下步驟：

13、待調節(jié)的模型以lsknet作為骨干網(wǎng)絡，orientedrcnn作為檢測頭；設定不同的訓練方式包括：數(shù)據(jù)增強、訓練步數(shù)、學習率；

14、其中，數(shù)據(jù)增強的訓練，包括隨機翻轉增強、隨機旋轉增強、隨機剪切增強和馬賽克增強中的一種或多種；

15、訓練步數(shù)的訓練，具體如下：在其他訓練條件都相同的情況下，采用不同的訓練步數(shù)訓練模型；

16、學習率進行訓練，具體如下：在其他訓練條件都相同的情況下，采用不同的學習率訓練模型；

17、對于同一訓練方式進行多個模型的訓練、或者采用不同訓練方式進行至少一個模型的訓練。

18、所述步驟5、通過參數(shù)重參數(shù)化的方式，利用多個模型權重重參數(shù)化成單個模型權重，得到用于紅外目標識別的模型，包括以下步驟：

19、1)對于同一訓練方式進行多個模型訓練、以及不同訓練方式進行至少一個模型的訓練，選擇訓練得到的多個模型，獲取不同模型的權重參數(shù)；

20、2)采用不同組合重新計算權重參數(shù)，并保存；

21、3)將計算得到的權重參數(shù)初始化模型，得到用于紅外目標識別的模型。

22、所述采用不同組合重新計算權重參數(shù)，包括以下步驟：

23、將兩個或多個模型的參數(shù)進行組合；

24、通過平均的方式計算組合中模型權重參數(shù)的平均值；

25、一種面向異源圖像泛化的紅外目標識別系統(tǒng)，包括：

26、模型構建模塊，用于統(tǒng)計數(shù)據(jù)集目標尺寸，判斷目標大?。粯嫿ㄟm應目標尺寸的卷積核模型；

27、模型調節(jié)模塊，用于完成卷積核模型在數(shù)據(jù)集上的預訓練；在數(shù)據(jù)集上，采用不同的訓練方式調節(jié)多個模型；通過參數(shù)重參數(shù)化的方式，利用多個模型權重重參數(shù)化成單個模型權重，得到用于紅外目標識別的模型；

28、目標識別模塊，用于將待識別圖像輸入到模型中，實現(xiàn)目標識別。

29、一種面向異源圖像泛化的紅外目標識別裝置，包括存儲器和處理器；所述存儲器，用于存儲計算機程序；所述處理器，用于當執(zhí)行所述計算機程序時，實現(xiàn)所述的一種面向異源圖像泛化的紅外目標識別方法。

30、一種計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，當所述計算機程序被處理器執(zhí)行時，實現(xiàn)所述的一種面向異源圖像泛化的紅外目標識別方法。

31、本發(fā)明具有以下有益效果及優(yōu)點：

32、1.以實際場景目標大小為依據(jù)，構建大卷積核網(wǎng)絡模型，可以有效捕獲目標的形狀特征和上下文信息，進而提升模型對目標的檢測能力；

33、2.采用預訓練的方式，在大型公開數(shù)據(jù)集imagenet上預訓練網(wǎng)絡模型，有效豐富了模型所學習的特征，進而提升模型的表達能力；

34、3.使用重參數(shù)化技術將多個以不同方式訓練的模型進行權重重參數(shù)化，使得模型在異源圖像目標識別上具有更好的泛化能力。

技術特征：

1.一種面向異源圖像泛化的紅外目標識別方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種面向異源圖像泛化的紅外目標識別方法，其特征在于，所述步驟1、統(tǒng)計數(shù)據(jù)集目標尺寸，具體如下：首先統(tǒng)計數(shù)據(jù)集中所有目標的寬高與圖像的寬高比，然后將寬高比的中位數(shù)與參考數(shù)值對比來判斷目標的大小。

3.根據(jù)權利要求1所述的一種面向異源圖像泛化的紅外目標識別方法，其特征在于，所述步驟2、構建適應目標尺寸的卷積核模型，采用lsknet作為模型的骨干網(wǎng)絡，根據(jù)步驟1中獲取的目標大小確定卷積核的尺寸。

4.根據(jù)權利要求1所述的一種面向異源圖像泛化的紅外目標識別方法，其特征在于，所述步驟3、完成卷積核模型在數(shù)據(jù)集上的預訓練，采用lsknet的默認配置，使用已訓練好的權重，初始化網(wǎng)絡模型。

5.根據(jù)權利要求1所述的一種面向異源圖像泛化的紅外目標識別方法，其特征在于，所述步驟4、在數(shù)據(jù)集上，采用不同的訓練方式調節(jié)多個模型，包括以下步驟：

6.根據(jù)權利要求1所述的一種面向異源圖像泛化的紅外目標識別方法，其特征在于，所述步驟5、通過參數(shù)重參數(shù)化的方式，利用多個模型權重重參數(shù)化成單個模型權重，得到用于紅外目標識別的模型，包括以下步驟：

7.根據(jù)權利要求6所述的一種面向異源圖像泛化的紅外目標識別方法，其特征在于，所述采用不同組合重新計算權重參數(shù)，包括以下步驟：

8.一種面向異源圖像泛化的紅外目標識別系統(tǒng)，其特征在于，包括：

9.一種面向異源圖像泛化的紅外目標識別裝置，其特征在于，包括存儲器和處理器；所述存儲器，用于存儲計算機程序；所述處理器，用于當執(zhí)行所述計算機程序時，實現(xiàn)如權利要求1-7任一項所述的一種面向異源圖像泛化的紅外目標識別方法。

10.一種計算機可讀存儲介質，其特征在于，所述存儲介質上存儲有計算機程序，當所述計算機程序被處理器執(zhí)行時，實現(xiàn)如權利要求1-7任一項所述的一種面向異源圖像泛化的紅外目標識別方法。

技術總結
本發(fā)明涉及一種面向異源圖像泛化的紅外目標識別方法，包括以下步驟：構建大卷積核深度網(wǎng)絡模型，并在ImageNet數(shù)據(jù)集上完成預訓練；在具有與紅外目標類別相同的可見光數(shù)據(jù)集上，采用不同的訓練方式微調加載預訓練權重的大卷積核深度網(wǎng)絡模型；對多個微調好的模型進行組合完成模型權重重參數(shù)化。本發(fā)明利用大卷積核捕獲目標的形狀屬性，預訓練的方式豐富模型學習的特征，以及權重重參數(shù)化提升模型的泛化性。

技術研發(fā)人員：史澤林,向偉,張盼盼,劉云鵬,李晨曦
受保護的技術使用者：中國科學院沈陽自動化研究所
技術研發(fā)日：
技術公布日：2025/5/19