1.红外小目标检测模型的构建方法,其特征在于,包括以下步骤:步骤S1,获得训练集,训练集包括原始红外图像和与其对应的红外小目标掩码;
步骤S2,对于训练集中的原始红外图像,基于低秩背景估计网络模型获得原始红外图像的低秩背景;
步骤S3,对于原始红外图像与低秩背景,基于稀疏特征提取网络模型进行目标提取,获得稀疏目标;
步骤S4,对于低秩背景和稀疏目标,基于图像重建网络模型进行图像重建,获得重建后的原始红外图像;
步骤S5,重复步骤S2~步骤S4的操作3次,将低秩背景估计网络模型、稀疏特征提取网络模型和图像重建网络模型构造为红外小目标检测模型;
步骤S6,基于低秩背景、稀疏目标、重建后的原始红外图像以及训练集中的红外小目标掩码设计损失函数,利用损失函数对红外小目标检测模型进行训练,获得训练完成的红外小目标检测模型;
所述训练完成的红外小目标检测模型,用于根据输入的原始红外图像,获得最终检测的小目标。
2.根据权利要求1所述的红外小目标检测模型的构建方法,其特征在于,所述低秩背景估计网络模型包括依次串接的Conv模块、ResBlocks模块和Conv模块,其输入通过相加残差与其输出连接。
3.根据权利要求2所述的红外小目标检测模型的构建方法,其特征在于,所述ResBlocks模块由依次串联的3个重复结构组成;
每个重复结构由两层Conv模块和一层SA模块依次串联组成;每个重复结构的输入通过相加残差与其输出连接。
4.根据权利要求3所述的红外小目标检测模型的构建方法,其特征在于,所述SA模块为协同注意力网络模型;
所述协同注意力网络模型用于采用以下方法获得最终的关注输出:利用自适应全局平均池化,获得宽和高的信息;
拼接宽和高的信息的维度,按通道维度平均拆分为两个一维量;
将两个一维量分别通过局部特征提取模块和全局特征提取模块,获得局部与全局信息;
将局部与全局信息拼接通道并拆分宽和高,获得拆分后的注意力图;
将拆分后的注意力图经过Sigmoid函数,与协同注意力网络模型的输入相乘得到最终的关注输出。
5.根据权利要求1所述的红外小目标检测模型的构建方法,其特征在于,所述稀疏特征提取网络模型包括依次串接的Conv模块、ResBlocks模块和Conv模块,其输入通过相减残差与其输出连接。
6.根据权利要求1所述的红外小目标检测模型的构建方法,其特征在于,所述图像重建网络模型包括3个依次串联的Conv模块,其输入通过相加残差与其输出连接。
7.根据权利要求1所述的红外小目标检测模型的构建方法,其特征在于,所述步骤S6中,所述的损失函数为:其中,λ1,λ2,λ3为每个损失对应的权重;k是当前Stage数;n是总Stage数,n=3;T为稀疏目标;B为低秩背景;D为重建图像;LossT为第一级损失,直接约束目标T;LossB为第二级损失,间接约束当前Stage的目标T;LossD为第三级损失,间接影响当前Stage的目标T。
8.红外小目标检测模型的构建装置,其特征在于,包括以下模块:模块S1,获得训练集,训练集包括原始红外图像和与其对应的红外小目标掩码;
模块S2,对于训练集中的原始红外图像,基于低秩背景估计网络模型获得原始红外图像的低秩背景;
模块S3,对于原始红外图像与低秩背景,基于稀疏特征提取网络模型进行目标提取,获得稀疏目标;
模块S4,对于低秩背景和稀疏目标,基于图像重建网络模型进行图像重建,获得重建后的原始红外图像;
模块S5,重复模块S2~模块S4的操作3次,将低秩背景估计网络模型、稀疏特征提取网络模型和图像重建网络模型构造为红外小目标检测模型;
模块S6,基于低秩背景、稀疏目标、重建后的原始红外图像以及训练集中的红外小目标掩码设计损失函数,利用损失函数对红外小目标检测模型进行训练,获得训练完成的红外小目标检测模型;
所述训练完成的红外小目标检测模型,用于根据输入的原始红外图像,获得最终检测的小目标。
9.红外小目标检测方法,其特征在于,包括以下步骤:
获取待检测小目标的原始红外图像;
采用权利要求1-7任一所述红外小目标检测模型的构建方法,获取训练完成的红外小目标检测模型;
将待检测小目标的原始红外图像输入训练完成的红外小目标检测模型,获得最终检测的小目标。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。