(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210636351.6 (22)申请日 2022.06.07 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 张宇　张焱　石志广　杨卫平　 张景华　刘荻　师晓冉　凌峰　 张毅　沈奇　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 邱轶 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/776(2022.01)G06V 10/44(2022.01) G06N 3/04(2006.01) (54)发明名称 红外弱小目标检测方法、 装置、 计算机设备 和存储介质 (57)摘要 本申请涉及一种红外弱小目标检测方法、 装 置、 计算机设备和存储介质， 包括： 在特征张量空 间中， 利用自注意力机制分别提取多尺度特征值 在特征空间中与其横纵方向邻域的特征差异向 量， 寻找与正交邻域语义差异最大的特征点， 作 为潜在目标， 通过构建长相关性的空间交互， 产 生非局部的、 高语义的对比度度量作为注意力 图， 将生成的水平和垂直注意力图通过通道交互 实现注意力融合得到空间注意力图， 用空间注意 力图对特征张量进行空间与通道调制， 实现对特 征空间中潜在目标的特征增强， 并利用增强特征 进行目标位置和类别的预测， 提高了不同环境下 红外弱小目标的检测效率。 权利要求书3页 说明书12页 附图4页 CN 114998736 A 2022.09.02 CN 114998736 A 1.一种红外弱小目标检测方法， 其特 征在于， 所述方法包括： 获取待检测红外图像的多个特征张量， 采用自注意力 机制得到各个特征张量的查询张 量、 键张量以及值张量； 根据所述查询张量依次提取对应特征张量的空间维度中每一位置的特征向量， 根据 所 述键张量提取每一位置的水平邻域特征向量集合和垂直邻域特征向量集合， 根据各个位置 的特征向量以及对应的水平邻域特征向量集合和垂直邻域特征向量集合分别进行计算得 到对应的横向特征对比度张量和纵向特征对比度张量， 根据所述值张量以及所述横向特征 对比度张量和所述纵向特征对比度张量分别进行计算得到横向特征对比度聚合张量和纵 向特征对比度聚合张量； 根据所述横向特征对比度聚合张量和所述纵向特征对比度聚合张量得到水平注意力 图和垂直注意力图， 对所述水平注意力图和所述垂 直注意力图进 行通道交互得到空间注意 力图； 根据所述多个特征张量与对应的空间注意力图得到多个调制特征张量， 将所述调制特 征张量输入检测模型， 对待检测红外图像中的弱小目标进行检测。 2.根据权利要求1所述的方法， 其特征在于， 根据 各个位置的特征向量以及对应的水平 邻域特征向量集合和垂直邻域特征向量集合分别进行计算得到对应的横向特征对比度张 量和纵向特 征对比度张量， 包括： 根据特征向量的Softmax激活函数构建特 征向量间的差异度 度量函数； 根据所述各个位置的特征向量和对应的水平邻域特征向量的乘积得到水平乘积张量， 将所述水平 乘积张量输入所述差异度 度量函数激活得到对应位置的横向特 征对比度； 根据所述各个位置的特征向量和对应的垂直邻域特征向量的乘积得到垂直乘积张量， 将所述垂直乘积张量输入所述差异度 度量函数激活得到对应位置的纵向特 征对比度； 将每个位置的横向特 征对比度进行拼接得到对应的横向特 征对比度张量； 将每个位置的纵向特 征对比度进行拼接得到对应的纵向特 征对比度张量。 3.根据权利要求1所述的方法， 其特征在于， 根据 所述值张量以及所述横向特征对比度 张量和所述纵向特征对比度张量分别进行计算得到横向特征对比度聚合张量和纵向特征 对比度聚合张量， 包括： 将所述值张量与所述横向特征对比度张量沿水平通道方向相乘并进行最大值池化得 到横向特 征对比度聚合张量； 将所述值向量与所述纵向特征对比度张量沿垂直通道方向相乘并进行最大值池化得 到纵向特 征对比度聚合张量。 4.根据权利要求1所述的方法， 其特征在于， 根据 所述横向特征对比度聚合张量和所述 纵向特征对比度聚合张量得到水平注意力图和垂 直注意力图， 对所述水平注意力图和所述 垂直注意力图进行通道交 互得到空间注意力图， 包括： 将所述纵向特征对比度聚合张量进行通道变换得到转置纵向对比度聚合张量， 将所述 转置纵向对比度聚合张量与所述横向特征对比度聚合张量进行拼接得到混合空间特征张 量； 对所述混合空间特征张量进行通道压缩得到压缩特征对比度张量， 将所述压缩特征对 比度张量沿空间方向进行分解得到水平压缩特 征对比度张量和垂直压缩特 征对比度张量；权　利　要　求　书 1/3 页 2 CN 114998736 A 2对所述水平压缩特征对比度张量和垂直压缩特征对比度张量通过并行的1 ×1卷积操 作进行通道还原， 得到与所述转置纵向对比度聚合张量 维度相同的转置垂 直注意力图 以及 与所述横向对比度聚合张量维度相同的水平 注意力图； 对所述转置垂直注意力图进行通道变换得到与所述纵向特征对比度聚合张量维度相 同的垂直注意力图， 将所述水平注意力图和所述垂直注意力图相乘并通过Sigmoid激活函 数激活得到空间注意力图。 5.根据权利要求2所述的方法， 其特征在于， 所述根据特征向量的Softmax激活函数构 建特征向量间的差异度 度量函数， 包括： 根据特征向量的Softmax激活函数构建特 征向量间的差异度 度量函数为： 其中， f'(x,y)为位置(x,y)的特征向量， W、 H分别为红外图像特征张量在水平 方向上和在 垂直方向上的维度。 6.根据权利要求2所述的方法， 其特征在于， 将每个位置的横向特征对比度进行拼接得 到对应的横向特征对比度张量， 将每个位置的纵向特征对比度进 行拼接得到对应的纵向特 征对比度张量， 包括： 将每个位置的横向特 征对比度进行拼接得到对应的横向特 征对比度张量 为： 其中， RW为横向特征对比度张量， σ 为差异度度量函数， W为特征张量在水平方向上的维 度， H为特征张量在垂直方向上的维度， 为位置(x,y)的第i维度的水平邻域特征向 量， Q(x,y)为位置(x,y)的特征向量， 为位置(x,y)的横向特征对比 度； 将每个位置的纵向特 征对比度进行拼接得到对应的纵向特 征对比度张量： 其中， RH为纵向特 征对比度张量， 为位置(x,y)的第j维度的垂直邻域特 征， 为位置(x,y)的纵向特 征对比度。 7.根据权利要求1所述的方法， 其特征在于， 所述采用自注意力 机制得到各个特征张量 的查询张量、 键张量以及值张量包括： 采用卷积网络对待检测红外图像进行 特征提取， 得到多个特 征张量； 将所述特征张量输入空间自注意力模型分别进行三 次并行的1 ×1通道变换卷积， 得到 各个特征张量的查询张量、 键张量以及值张量： 权　利　要　求　书 2/3 页 3 CN 114998736 A 3