《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 融合注意力機(jī)制的弱監(jiān)督迷彩偽裝目標(biāo)檢測(cè)算法
融合注意力機(jī)制的弱監(jiān)督迷彩偽裝目標(biāo)檢測(cè)算法
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 3期
楊 輝1，權(quán)冀川1，梁新宇1，郭安文1，王中偉2
(1.陸軍工程大學(xué) 指揮控制工程學(xué)院，江蘇 南京210007；2.中國(guó)人民解放軍73658部隊(duì))
摘要： 隨著計(jì)算機(jī)硬件和人工智能技術(shù)的發(fā)展，強(qiáng)監(jiān)督目標(biāo)檢測(cè)算法已經(jīng)取得了很大的成果。然而，強(qiáng)監(jiān)督目標(biāo)檢測(cè)算法需要在大規(guī)模、標(biāo)注精度高的數(shù)據(jù)集上進(jìn)行訓(xùn)練。但在某些特定領(lǐng)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(biāo)的圖像數(shù)據(jù)集就比公共數(shù)據(jù)集更難獲得且標(biāo)注難度更大。因此，采用對(duì)數(shù)據(jù)集要求更低的弱監(jiān)督目標(biāo)檢測(cè)算法來實(shí)現(xiàn)迷彩偽裝目標(biāo)的檢測(cè)任務(wù)。由于圖像中迷彩偽裝目標(biāo)與背景融合度較大，導(dǎo)致原始淺層特征感知偽監(jiān)督目標(biāo)定位(Shallow feature-aware Pseudo supervised Object Localization，SPOL)算法的檢測(cè)精度相對(duì)較低。本文的核心是在SPOL算法的基礎(chǔ)上融合注意力機(jī)制，通過加入注意力模塊，讓模型更加關(guān)注迷彩偽裝目標(biāo)的區(qū)域，以此來提高迷彩偽裝目標(biāo)的檢測(cè)精度。
中圖分類號(hào)： TP183
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.20044/j.csdg.2097-1788.2022.03.013
引用格式： 楊輝，權(quán)冀川，梁新宇，等. 融合注意力機(jī)制的弱監(jiān)督迷彩偽裝目標(biāo)檢測(cè)算法[J].網(wǎng)絡(luò)安全與數(shù)據(jù)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(zhàn)場(chǎng)生存能力。相對(duì)于通用的目標(biāo)檢測(cè)任務(wù)，圖像中的迷彩偽裝目標(biāo)與背景環(huán)境融合度較大，實(shí)現(xiàn)其目標(biāo)檢測(cè)任務(wù)更加困難。

目前，對(duì)迷彩偽裝目標(biāo)檢測(cè)研究的工作較少。傳統(tǒng)的檢測(cè)方法主要把迷彩偽裝目標(biāo)看作是一種具有特殊紋理結(jié)構(gòu)的目標(biāo)，并針對(duì)這一特性設(shè)計(jì)相應(yīng)算法提取迷彩紋理，從而實(shí)現(xiàn)迷彩偽裝目標(biāo)的檢測(cè)。Bhajantri等人[1]將目標(biāo)的迷彩偽裝紋理作為一類物體，然后對(duì)該類物體進(jìn)行檢測(cè)。Sengottuvelan等人[2]通過圖像的結(jié)構(gòu)信息，確定圖像中是否存在迷彩偽裝目標(biāo)。Wu等人[3]根據(jù)目標(biāo)在三維凸面上的灰度差異來檢測(cè)迷彩偽裝目標(biāo)。盡管傳統(tǒng)方法可以實(shí)現(xiàn)對(duì)迷彩目標(biāo)的檢測(cè)，但該類方法僅利用了圖像的淺層特征信息，其檢測(cè)效果相對(duì)較差。

近年來的研究工作主要是使用基于深度卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)監(jiān)督目標(biāo)檢測(cè)算法完成迷彩偽裝目標(biāo)的檢測(cè)任務(wù)。Deng等人[4]針對(duì)迷彩偽裝目標(biāo)的特性，在RetinaNet[5]算法的基礎(chǔ)上嵌入了空間注意力和通道注意力模塊。同時(shí)，基于定位置信得分構(gòu)建了新的預(yù)測(cè)框過濾算法，有效實(shí)現(xiàn)了對(duì)迷彩偽裝人員的檢測(cè)。Wang等人[6]以YOLO(You Only Look Once)v5算法為基礎(chǔ)，設(shè)計(jì)了一種針對(duì)迷彩偽裝目標(biāo)的檢測(cè)算法，該算法在骨干網(wǎng)絡(luò)中加入了注意力機(jī)制，同時(shí)加入非對(duì)稱卷積模塊增強(qiáng)了目標(biāo)的語義信息，從而提升了迷彩偽裝目標(biāo)的檢測(cè)精度。雖然強(qiáng)監(jiān)督目標(biāo)檢測(cè)算法比傳統(tǒng)方法的檢測(cè)效果有了很大的提升，但該類算法模型需要在大規(guī)模標(biāo)注精度高的數(shù)據(jù)集上進(jìn)行訓(xùn)練，檢測(cè)結(jié)果嚴(yán)重依賴于數(shù)據(jù)集標(biāo)注的精度。目前的數(shù)據(jù)集標(biāo)注工作主要是靠人工完成，而人工標(biāo)注在很大程度上容易受人的主觀因素影響，在軍事應(yīng)用領(lǐng)域很難獲得大規(guī)模的且標(biāo)注精度高的數(shù)據(jù)集。

在軍事領(lǐng)域，受保密等特殊條件限制，很難構(gòu)建包含迷彩偽裝目標(biāo)的大規(guī)模圖片數(shù)據(jù)集。并且，圖片中的迷彩偽裝目標(biāo)與圖片背景的融合度較大，從本質(zhì)上增加了目標(biāo)檢測(cè)的難度。同時(shí)在人工標(biāo)注時(shí)也很容易造成誤標(biāo)或漏標(biāo)，嚴(yán)重影響數(shù)據(jù)集的使用效果。若在小規(guī)模且標(biāo)注精度低的數(shù)據(jù)集上訓(xùn)練強(qiáng)監(jiān)督目標(biāo)檢測(cè)算法，則訓(xùn)練出來的模型對(duì)迷彩偽裝目標(biāo)的檢測(cè)效果會(huì)很不理想。而弱監(jiān)督目標(biāo)檢測(cè)算法可以很好地克服強(qiáng)監(jiān)督目標(biāo)檢測(cè)算法的這一局限性。弱監(jiān)督目標(biāo)檢測(cè)算法只需要帶有圖像級(jí)標(biāo)簽（不需要標(biāo)注出目標(biāo)在圖像中的具體位置，只需要標(biāo)明圖像中包含物體的類別）的數(shù)據(jù)集就能實(shí)現(xiàn)目標(biāo)檢測(cè)，大幅降低了對(duì)數(shù)據(jù)集標(biāo)注的要求。因此，弱監(jiān)督目標(biāo)檢測(cè)算法比強(qiáng)監(jiān)督目標(biāo)檢測(cè)算法具有更強(qiáng)的適應(yīng)能力。



本文詳細(xì)內(nèi)容請(qǐng)下載：http://theprogrammingfactory.com/resource/share/2000004910





作者信息：

楊  輝1，權(quán)冀川1，梁新宇1，郭安文1，王中偉2

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


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。