(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210495815.6 (22)申请日 2022.05.09 (65)同一申请的已公布的文献号 申请公布号 CN 114581752 A (43)申请公布日 2022.06.03 (73)专利权人 华北理工大 学 地址 063210 河北省唐山市曹妃甸新城渤 海大道21号 (72)发明人 史彩娟　任弼娟　陈厚儒　段昌钰　 闫晓东　 (51)Int.Cl. G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06V 10/80(2022.01)G06V 10/774(2022.01) (56)对比文件 CN 113139450 A,2021.07.20 CN 113468996 A,2021.10.01 CN 114220013 A,202 2.03.22 CN 112733744 A,2021.04.3 0 CN 112750140 A,2021.0 5.04 Xiuqi Xu 等.Boundary guidance netw ork for camoufla ge object detecti on. 《Image and Visi on Computi ng》 .2021,第1-1 1页. Yujia Sun 等.Co ntext-aware Cros s- level Fusi on Network for Camoufla ged Object Detecti on. 《arXiv》 .2021,第1-7页. 何淋艳 等.伪装目标检测与分割研究进 展. 《软件导刊》 .202 2,第237-243页. 审查员 孙巍巍 (54)发明名称 一种基于上下文感知和边界细化的伪装目 标检测方法 (57)摘要 本发明公开一种基于上下文感知和边界细 化的伪装目标检测方法， 包 括： 主干网络、 GCIE模 块、 AINF模块以及BR模块； 主干网络提取待检测 含有伪装目标的图像的多尺度特征； GCIE模块对 主干网提取的多尺度特征中的第三层、 第四层和 第五层特征进行增强充分感知全局上下文信息； AINF模块采用层级结构和AFF组件融合相邻层特 征， 同时感知全局和局部信息， 得到区域特征和 伪装目标的粗糙预测图； BR模块利用低层特征中 的空间信息精细化边界并抑制非伪装因素， 更好 的检测边界丰富的伪装目标； 本发 明由于同时关 注上下文信息和边界信息， 因此能够全面感知伪 装目标， 这有利于提高伪装目标检测的性能， 拓 展了本发明的使用场景。 权利要求书2页 说明书6页 附图5页 CN 114581752 B 2022.07.15 CN 114581752 B 1.一种基于上下文感知和边界细化的伪装目标检测方法， 将待检测的含有伪装目标的 图像输入到已经构建 并训练好的伪装目标检测模型， 进 行伪装目标的检测； 其特征在于， 所 述伪装目标检测模型包括主干网络、 GCIE模块、 AI NF模块以及 BR模块； 主干网络提取待检测含有伪装目标的图像的多尺度特征包括五层特征 ； GCIE模块对主干网提取的多尺度特征中的第三层、 第四层和第五层特征 进 行增强充分感知全局上 下文信息， 并将增强特 征输出到AI NF模块； AINF模块采用层级结构和AFF组件融合相邻层特征， 同时感知全局和局部信息， 得到区 域特征和伪装目标的粗 糙预测图； 区域特征和主干网提取的第二层特征  输入到BR模块， BR模块利用第二层特征  中 的空间信息细化伪装目标边界；  首先BR模块对  去噪并将其与区域特征 融合得到融合特 征； 然后将融合特征输入到多尺度通道注意力组件MSCA和空间注意力组件SA计算注意系 数， 并使用跳跃连接再次与融合特征相加得到加权特征； 接下来将加权特征与去 噪后的第 二层特征相乘， 并与区域特征相加得到精细特征； 最后经过卷积得到伪装目标的最终精细 预测图。 2.根据权利要求1所述的基于上下文感知和边界细化的伪装目标检测方法， 其特征在 于， 构建并训练伪装目标检测模型包括： S11， 将预先采集的包 含伪装目标的图像数据集划分为训练集和 测试集； S12， 构建伪装目标检测模型； S13， 使用训练集对已构建的伪装目标检测模型进行训练； S14， 使用测试集对已训练的伪装目标检测模型进行测试。 3.根据权利要求1所述的基于上下文感知和边界细化的伪装目标检测方法， 其特征在 于， GCIE模块， 包括GC子模块和PMMC子模块， 用于扩大感受野来充分感知全局上下文信息， 增强主干网中的第三层、 第四层和第五层特征 ， 其中GC子模块首先由主干网特 征得到全局上下文特征， 接着由全局上下文特征得到转化特征， 最后将转化特征与主干网 特征相加得到增强特征 ， 即GC子模块的输出； PMMC子模块首先降低增强特征 的通道数， 接着输入到三条并行混合卷积分支， 然后将三个分支的结果和降低 通道后的特征拼接并卷积， 最后经过跳连接和Relu函数操作得到全局增强特征 ， 即GCIE模块输出。 4.根据权利要求3所述的基于上下文感知和边界细化的伪装目标检测方法， 其特征在 于， AINF模块， 首先采用特征融合组件AFF分别融合全局增强特征 和 得到 和 ， 然后再次使用AFF组件融合 和 得到 ； 和 拼接后经过卷积 再与 拼接， 将此拼接特征经过卷积得到伪装目标的区域特征 和粗糙预测图 ， 即权　利　要　求　书 1/2 页 2 CN 114581752 B 2AINF模块输出； 将伪装目标的粗糙预测图 与检测标签值构建损失， 并将区域特征 输入 至BR模块。 5.根据权利要求1所述的基于上下文感知和边界细化的伪装目标检测方法， 其特征在 于， BR模块， 使用主干网第二层特征 中的空间信息细化伪装目标边界， 首先对主干网第二 层特征 去噪得到 ， 将 和区域特征 相加融合得到融合特征 ， 然后将 依次输 入到多尺度通道注意力组件MSCA和空间注意力组件SA计算注意系数并使用跳跃连接再次 与融合特征 相加， 得到加权特征 ； 然后将 与 相乘来增强去噪后的第二层特征 中包含的伪装目标边界信息； 接着将相乘后的特征与区域特征 相加得到精细特征 ； 最后 经过卷积得到伪装目标的最终精细预测图 ， 并将精细预测图 与检测标签构建损 失。 6.根据权利要求2所述的基于上下文感知和边界细化的伪装目标检测方法， 其特征在 于， 使用训练集对已构建的伪装目标检测模型进 行训练的损失函数采用像素位置感知损失 ， 伪装目标检测模型的总损失函数 为： 其中 和 分别表示在AINF模块和BR模块后对伪装目标的监督， 和 分别 表示加权二进制交叉熵损失和加权交并比损失， 和 表示AINF模块和BR模块预测 的粗糙预测图 和精细预测图 分别进行8倍上采样后得到的伪装目标预测图， 表示伪 装目标的二 值标签图。 7.根据权利要求1或5所述的基于上下文感知和边界细化的伪装目标检测方法， 其特征 在于， 所述多尺度通道注意力组件MSCA包括两个分支， 一个分支使用全局平均池化和两个 逐点卷积层获取全局信息， 另一个分支仅使用两个逐点卷积层获取局部信息， 最后将全局 和局部信息相加融合并经 过sigmoid激活函数 得到多尺度通道 注意系数。 8.根据权利要求1或5所述的基于上下文感知和边界细化的伪装目标检测方法， 其特征 在于， 所述空间注意力组件SA将 MSCA组件处理后的通道细化特征沿通道轴分别使用全局最 大池化和全局平均池化操作， 得到Max  feature和Avg  feature并将二者拼接生成通道特征 描述符， 然后使用一个3 ×3卷积和sigmo id激活函数， 生成空间注意系数。权　利　要　求　书 2/2 页 3 CN 114581752 B 3