1.一种基于自监督特征学习的暗光场景目标检测方法,其特征在于:包括以下步骤:S1:建立识别网络,识别网络包括一个权值共享的特征编码器E、图像重构解码器Drec和目标检测解码器Dobj;
S2:建立并最小化联合损失函数对识别网络进行指导训练,当损失函数收敛时,识别网络训练完成,特征编码器E的权值固定;
建立联合损失函数的过程如下:
联合损失函数包括重构解码器损失
重构解码器采用平均绝对误差作为其损失函数,公式如下:上式中,原真实图像块的第
检测解码器损失
置信度损失
上式中,
定位损失
上式中,
分类损失
上式中,
结合重构解码器损失
上式中,
S3:具体训练中,使用无标签的Imagenet-1k数据集经过特征编码器E输入到图像重构解码器中对特征编码器E进行指导;
使用带有标签的ExDark数据集经过特征编码器E输入到目标检测解码器中对目标检测解码器和特征编码器E进行指导;图像重构解码器与目标检测解码器同时进行训练;
S4:将暗光数据集输入到识别网络中,经过特征编码器E和目标检测解码器,输出识别结果。
2.根据权利要求1所述的一种基于自监督特征学习的暗光场景目标检测方法,其特征在于:所述步骤S1中,所述特征编码器E由视觉自注意力模型构成,包括图像块嵌入层和若干个视觉自注意力模块。
3.根据权利要求1所述的一种基于自监督特征学习的暗光场景目标检测方法,其特征在于:所述步骤S3中,图像重构解码器对特征编码器E进行指导的过程如下:使用Imagenet-1k数据集图像作为输入,设置块尺寸,分割得到图像块,设置随机遮蔽率,对部分图像块进行遮蔽;
将未被遮蔽的图像块按照原有的前后顺序输入特征编码器E,得到每一个图像块所对应的特征图Fi;
在保留位置信息的基础上,将被掩蔽的图像块插入回Fi中,再将完整的图像块序列输入图像重构解码器Drec,预测出所有图像块的原本面貌;
最小化预测的被掩蔽图像块和真实的被掩蔽的图像块之间的平均绝对误差,对特征编码器E进行指导。
4.根据权利要求3所述的一种基于自监督特征学习的暗光场景目标检测方法,其特征在于:所述步骤S3中,目标检测解码器对特征编码器E进行指导的具体过程如下:ExDark数据集中,将输入图像按照块尺寸分割:以将向量X进行线性变换,得到固定长度的包含图像局部空间信息的标记嵌入后,将其与原始图像的位置编码进行合并,并在首部添加类别编码,得到张量上式中,
张量Z同时拥有图像块的细节信息与位置信息,将张量Z传入由若干个视觉自注意力模块连接而成的视觉自注意力模块编码器中,特征编码器E输出尺度为原图1/16大小的特征图,输出张量Z的公式如下:上式中,
目标检测解码器对特征编码器E输出图像1/16尺度的特征图进行解码,并反向传播优化特征编码器E,对特征编码器E进行指导。
5.根据权利要求4所述的一种基于自监督特征学习的暗光场景目标检测方法,其特征在于:所述步骤S4中,识别过程如下:暗光数据集输入到特征编码器E中,输出单层特征图,目标检测解码器对特征编码器E输出的单层特征图进行不同比例的采样,采样为1/32、1/16、1/8三个尺度,目标检测解码器最终输出结果为暗光数据集的目标类别分数和目标边界框位置。