本发明属于伪装物体检测，具体涉及边缘信息增强和不同层级特征融合的伪装物体检测方法。
背景技术：
1、伪装物体检测(cod)，致力于识别出“无缝”嵌入在周围环境中的目标的任务，引起了计算机视觉界越来越多的研究兴趣。它在推动多个领域的各种拥有巨大潜在价值的应用方面具有广阔的前景。
2、为了解决此类问题，早期人们就开始利用手工制作的低级特征(例如纹理和对比度、3d凸性和运动边界)，但这些特征用来区分物体和周围类似环境的能力始终有限。
3、随着人工智能的蓬勃发展，人们开始用深度学习的方法来进行伪装目标检测，并取得不错的效果，但仍然存在一些难题未被很好的解决。现有方法往往受限于检测对象进行高相似度的伪装后无法被有效、完整且精确识别的难题，从而提供差强人意的检测结果。具体存在如下问题：
4、1)伪装目标通常与其背景环境具有高度相似的颜色、纹理和形状。这种相似性使得图像处理方法难以有效区分目标与背景。伪装目标通过模仿背景中的颜色和纹理特征，使得基于颜色直方图和纹理分析的方法难以发挥作用。此外，伪装目标还可能通过调整自身形状与环境中的物体相似，使得基于形状分析的方法也面临挑战。这些高度相似的特征使得检测伪装目标变得异常困难，需要更加复杂和智能的算法来提高检测的准确性和可靠性。
5、2)伪装目标可能具有不同的尺度和形状，现有算法在处理多尺度目标时可能效果不佳，需要额外的机制(如金字塔网络结构)来提高多尺度检测性能，但这些机制又会增加计算复杂性，难以兼顾轻量化。
6、为解决此类问题，目前提出了更多基于深度学习的方法来进行伪装目标检测，并显示出巨大的潜力。这些方法大致可以分为以下类型。一类是设计有针对性的网络模块或架构，以有效探索cod的伪装对象特征；另一类是模仿自然界中捕食者的行为过程来设计网络；还有一类受到人们在观察物体时，注意力在前景和背景转移期间人们会不自觉的聚焦于物体边界信息的启发，该类模仿人类视觉心理模式来增强cod的特征表示，例如基于边缘引导区分前景后景，模仿人眼观察物体会对物体进行放大缩小等方法。
7、本发明提出了一种边缘信息增强和不同层级特征融合的伪装物体检测方法，采用边缘信息增强的多级特征融合网络(menet)。它通过对物体实现精确的边界定位并对特征进行跨级与跨层的融合，提升了伪装目标检测性能，同时降低了模型所需的参数量与推理消耗。
技术实现思路
1、本发明的目的在于提供边缘信息增强和不同层级特征融合的伪装物体检测方法，以解决现有技术中基于深度学习的检测方法检测伪装目标存在困难及网络结构容易增加计算复杂性且难以兼顾轻量化的问题。
2、为实现上述目的，本发明所采用的技术方案为：
3、本发明中第一方面提出了一种边缘信息增强的多级特征融合网络模型，包括：
4、特征搜索模块，将金字塔视觉转换器作为骨干网络，基于注意力的特征搜索来提取检测对象的不同层级特征；
5、边界引导模块，包括四个边界引导模块和一个基于ca注意力的边缘提取模块，将不同层级特征与基于ca注意力的边缘提取模块采集的边缘特征进行集成；
6、特征融合模块，包括三个特征融合模块组成的循环模块和一个加入kan卷积的特征融合模块，用于增强集成后的不同层级特征之间的语义相关性。
7、本发明中第二方面提出了一种采用上述模型进行的边缘信息增强和不同层级特征融合的伪装物体检测方法，包括以下步骤：
8、s1、特征搜索；基于特征搜索模块来提取检测对象的不同层级特征；
9、s2、边界引导；基于边界引导模块将检测对象的不同层级特征与检测对象的边缘特征进行集成；
10、s3、特征融合；基于特征融合模块来增强集成后的不同层级特征之间的语义相关性。
11、优选地，所述s1具体如下：
12、首先通过输入图像i∈rw×h×3来生成小片然后将展平的补丁输入线性投影得嵌入补丁，之后嵌入的补丁与位置嵌入一起通过具有l1层的transformer编码器，并输出重塑为的多级特征，即ti(i＝1,2,3,4)。
13、优选地，所述s2中基于特征搜索模块输出的多级特征ti(i＝1,2,3,4)，利用基于ca注意力的边缘提取模块采集边缘特征，具体如下：
14、使用ca注意力将低级特征t1和高级特征t4转换为带有位置信息的注意力图t1′和t4′4，再将t1′和t4′分别通过1×1卷积层得到结果t1″和t4″，然后将t4″进行上采样后得到t4″u，再将t4″u与t1″用串联操作相结合；最后通过两个3×3卷积层和一个1×1卷积层，经由最后的sigmoid函数得到边缘特征te。
15、优选地，所述s2中利用四个边界引导模块分别将多级特征ti(i＝1,2,3,4)一一与边缘特征te进行集成，得到集成后的特征
16、
17、进一步地，集成过程具体如下：
18、对于边缘特征te与多层次特征ti(i＝1,2,3,4)，将经过下采样处理的te与ti进行元素相乘后再与原多级特征ti相加，再经过一个3×3卷积得到低级融合特征表示如下：
19、
20、其中，tconv3是3×3卷积，d是下采样，是按元素相乘，是按元素相加；
21、对低级融合特征进行进一步的特征增强；将依次通过全局平均池化、一维卷积与sigmoid激活函数得到对应的通道注意力，得到的通道注意力与进行元素相乘后通过1×1卷积层得到最终输出表示如下：
22、
23、其中，gap表示全局平均池化，t1d是一维卷积，σ表示sigmoid激活函数，tconv1表示1×1卷积。
24、优选地，所述s3中利用加入kan卷积的特征融合模块进行特征融合，具体如下：
25、首先将输入的两个特征拼接在一起，然后通过1×1卷积层得到低层次融合特征tm；接着将tm在通道维度方向上划分为四个形状相同的特征图再将划分后的特征图按照邻近原则进行融合，再将融合后的特征图通过空洞卷积操作，达到加强相邻特征关联性的目的，表示为:
26、
27、其中，表示3×3的空洞卷积，是按元素相加；
28、将多尺度的关联特征进行串联操作，经过1×1卷积层与低层次聚合特征tm进行残差连接，再将残差连接后的结果通过一层kan卷积，最终得到具有跨尺度的融合特征表示如下：
29、
30、其中，[*]是串联操作。
31、优选地，所述s3中利用循环模块进行特征融合，具体如下：
32、特征融合模块的结构与加入kan卷积的特征融合模块的结构相似，将加入kan卷积的特征融合模块中的kan卷积替换为3×3卷积，即为特征融合模块；特征融合模块的融合过程表示如下：
33、
34、对特征融合模块的输入特征进行上采样操作后，将三个特征融合模块依次连接作为循环模块。
35、优选地，还包括：
36、从三个特征融合模块组成的循环模块得到初步预测结果，再经过二维卷积与上采样得到伪装物体目标最终的预测结果。
37、与现有技术相比，本发明具备以下有益效果：
38、(1)、本发明伪装目标检测方法中基于ca注意力的边缘提取模块(caem)和加入kan卷积的特征融合模块(kffm)是本发明的关键技术。所设计caem可以获取精确的边缘信息，这能使模型更好的解决对象因周围环境的高相似度而引起的边界模糊与误判问题，进而提高伪装目标预测的准确性。本发明的实验结果表明，所提出的方法在camo、cod10k和nc4k三个公共基准数据集上的表现优于目前多数的最先进方法。
39、(2)、本发明为了更好的利用边缘信息并增强特征之间的相关性，设计了kffm以求更好处理高级特征与边缘信息。实验结果显示,加入了kffm的模型与未加入kffm的模型相比，加入了kffm模型创造了更好的性能。
1.边缘信息增强的多级特征融合网络模型，其特征在于，包括：
2.一种采用权利要求1所述模型进行的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，所述s1具体如下：
4.根据权利要求2所述的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，所述s2中基于特征搜索模块输出的多级特征ti(i＝1,2,3,4)，利用基于ca注意力的边缘提取模块采集边缘特征，具体如下：
5.根据权利要求4所述的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，所述s2中利用四个边界引导模块分别将多级特征ti(i＝1,2,3,4)一一与边缘特征te进行集成，得到集成后的特征
6.根据权利要求5所述的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，集成过程具体如下：
7.根据权利要求5或6所述的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，所述s3中利用加入kan卷积的特征融合模块进行特征融合，具体如下：
8.根据权利要求7所述的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，所述s3中利用循环模块进行特征融合，具体如下：
9.根据权利要求8所述的边缘信息增强和不同层级特征融合的伪装物体检测方法，其特征在于，还包括：
