华中科技大学 人工智能与自动化学院 多谱信息处理技术国家级重点实验室, 湖北 武汉 430074
提出了一种新的解决红外图像小目标检测问题的深度卷积网络, 将对小目标的检测问题转化为对小目标位置分布的分类问题; 检测网络由全卷积网络和分类网络组成, 全卷积网络对红外小目标进行增强和初步筛选, 实现红外图像的背景抑制, 分类网络以原始图像和背景抑制后的图像为输入, 对目标点后续筛选, 网络中引入SEnet(Squeeze-and-Excitation Networks)对特征图进行选择; 实验验证了整个检测网络相对于传统小目标检测算法的优势, 所提出的基于深度卷积神经网络的小目标检测方法对复杂背景下低信噪比且存在运动模糊的小目标具有很好的检测效果.
模式识别与智能系统 红外小目标检测 深度卷积网络 低信噪比 运动模糊 pattern recognition and intelligent systems small Target Detection in infrared images deep Convolutional Networks low signal-to-noise ratio motion blur SEnet SEnet
针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致;其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据;最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测.
模式识别与智能系统 点目标检测 卷积神经网络 红外过采样扫描 深度学习 pattern recognition and intelligent systems point target detection convolution neural network infrared over-sampling scanning deep learning