本发明涉及一种基于任务对齐学习的红外船舶目标检测方法，属于目标检测领域。
背景技术：
1、当前随着无人机航拍数据采集的愈加便捷，其在民用和军事应用的场景也愈加广泛，在智慧交通、地方安防、地质勘测、虫害预防等方面发挥出重要作用，通过无人机采集到的视频图像完成特定目标的检测跟踪识别，是当前研究的重点内容，而针对红外图像中的船舶目标检测一直是检测任务中的难点问题，因为红外图像本身色彩纹理特征较少、易受云雾和光线的干扰，再得叠加海上船舶目标通常成像距离远、与背景对比度低、容易淹没在海杂波中，这导致其对检测网络性能的要求很高，但是红外光相比于可见光具有抗干扰能力强、可以在夜间工作、不易受天气的影响、易于隐蔽的优点，因此在军事侦查、民用探测上具有十分重要的应用价值。
2、目前对于红外船舶目标检测的算法大致分为三类：一是基于海陆分割的方法，即首先确定海岸线位置来进一步筛选出船舶可能存在的区域，然后对相关区域根据其灰度、梯度等特征完成目标匹配，gan等人提出了一种通过改进类间最大方差，根据方差信息代替均值信息从而完成阈值分割的方法，lei等人提出了通过计算图像的熵值，将其作为种子点进行区域生长，最终完成区域分割；二是基于显著区域提取的方法，通过边缘提取、梯度变化计算、阈值分割对显著性区域生成特征图，再结合支持向量机、差分滤波、选择性搜索算法等完成目标检测bai等人提出了通过设计特征方程，将灰度、条纹等特征进行计算，然后使用支持向量机进行分类，liu等人提出了通过局部对比映射、高斯差分映射、动态显著性映射的不同权重组合，来抑制背景噪声，提高目标的显著性；三是基于深度学习的方法，通过构建数据集对卷积神经网络进行训练，不断优化网络结构，结合任务需要，设计相应损失函数，从而提升对目标的检测性能，li等人提出了在yolov5s算法基础上，采用深度分离卷积降低模型参数，引入坐标注意力机制增强目标特征并对损失函数进行改进来提升网络检测性能，pan等人提出了在ssd算法基础上，引入检测提议思想和插入视觉显著性模块，通过两步级联回归完成红外舰船检测。
3、当前基于深度学习的红外船舶检测方法较少，且在特定场景下对红外船舶目标的检测效果不佳，例如对于海上船舶目标而言，因其拍摄距离较远，易受云雾遮挡，且极易淹没在海杂波中，而在近岸港口等背景下，船舶停泊数量多、排列紧密且目标尺度大小不一，针对上述情况，现有算法在检测精度和实时性上，无法满足现实任务需要。
技术实现思路
1、本发明的目的在于提出一种基于任务对齐学习的红外船舶目标检测方法，用于对不同场景下船舶目标的检测。
2、为达上述目的，本发明第一方面实施例提出了一种基于任务对齐学习的红外船舶目标检测方法，其特殊之处在于包括：
3、s101、通过操作民用无人机航拍采集不同地点不同场景下的红外船舶视频影像；
4、s102、在yolox算法的基础上进行改进，构建红外船舶目标检测模型；
5、s103、基于所述红外船舶视频影像对所述红外船舶目标检测模型进行训练，得到完成的红外船舶目标检测模型；
6、s104、根据完成的红外船舶目标检测模型进行船舶目标检测。
7、另外，根据本发明上述实施例的一种基于任务对齐学习的红外船舶目标检测方法还可以具有以下附加的技术特征：
8、进一步地，在本发明的一个实施例中，所述通过操作民用无人机航拍采集不同地点不同场景下的红外船舶视频影像，还包括
9、对所述红外船舶视频影像进行预处理，具体包括：
10、使用opencv工具包将所述红外船舶视频影像分解成一系列的图像帧，并按照设定的时间间隔对所述视频帧进行提取。
11、进一步地，在本发明的一个实施例中，所述在yolox算法的基础上进行改进，构建红外船舶目标检测模型，包括：
12、使用连续3个卷积层作为steam层，通过resblock进行连接；
13、在构建网络主干中，使用ese层用于每个cspresstage中来施加通道注意力；
14、使用simota作为标签分配策略来提高性能，并通过引入tood算法中的任务任务对齐学习tal克服分类和定位的不一致；
15、通过基于yolox算法的head改进后的et-head增强检测过程中分类与回归的交互性。
16、进一步地，在本发明的一个实施例中，所述基于所述红外船舶视频影像对所述红外船舶目标检测模型进行训练，包括：
17、通过et-head首先对fpn特征进行分类和定位预测；
18、通过任务对齐学习tal基于新的任务对齐度量来计算两个预测之间的对齐程度；
19、通过et-head在反向传播过程中使用tal计算的学习信号自动调整其分类概率和定位预测，所述对齐程度最高的锚点通过概率图获得更高的分类分数，并通过学习的偏移量获得更准确的边界框预测；
20、分别将变焦损失和分类聚焦损失应用到目标检测器中对分类和定位任务进行学习，以获得性能的改善。
21、进一步地，在本发明的一个实施例中，所述将变焦损失和分类聚焦损失应用到目标检测器中对分类和定位任务进行学习，计算公式如下：
22、变焦损失
23、式中，p为预测得分，q为目标iou得分；对于正样本，q为生成的bbox与gt box之间的iou，对于负样本，q为0。
24、分类聚焦损失
25、式中，yi与yi+1分别为标签y附近的预测值，分别为预测值yi、yi+1对应的概率；
26、最终设计损失函数如下：
27、
28、式中，表示归一化目标分数。
29、为达上述目的，本发明第二方面实施例提出了一种基于任务对齐学习的红外船舶目标检测装置，包括以下模块：
30、采集模块，用于通过操作民用无人机航拍采集不同地点不同场景下的红外船舶视频影像；
31、构建模块，用于在yolox算法的基础上进行改进，构建红外船舶目标检测模型；
32、训练模块，用于基于所述红外船舶视频影像对所述红外船舶目标检测模型进行训练，得到完成的红外船舶目标检测模型；
33、检测模块，用于根据完成的红外船舶目标检测模型进行船舶目标检测。
34、进一步地，在本发明的一个实施例中，所述采集模块，还用于：
35、对所述红外船舶视频影像进行预处理，具体包括：
36、使用opencv工具包将所述红外船舶视频影像分解成一系列的图像帧，并按照设定的时间间隔对所述视频帧进行提取。
37、进一步地，在本发明的一个实施例中，所述构建模块，还用于：
38、使用连续3个卷积层作为steam层，通过resblock进行连接；
39、在构建网络主干中，使用ese层用于每个cspresstage中来施加通道注意力；
40、使用simota作为标签分配策略来提高性能，并通过引入tood算法中的任务任务对齐学习tal克服分类和定位的不一致；
41、通过基于yolox算法的head改进后的et-head增强检测过程中分类与回归的交互性。
42、进一步地，在本发明的一个实施例中，所述训练模块，还用于：
43、通过et-head首先对fpn特征进行分类和定位预测；
44、通过任务对齐学习tal基于新的任务对齐度量来计算两个预测之间的对齐程度；
45、通过et-head在反向传播过程中使用tal计算的学习信号自动调整其分类概率和定位预测，其中，所述对齐程度最高的锚点通过概率图获得更高的分类分数，并通过学习的偏移量获得更准确的边界框预测；
46、分别将变焦损失和分类聚焦损失应用到目标检测器中对分类和定位任务进行学习，以获得性能的改善。
47、为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种基于任务对齐学习的红外船舶目标检测方法。
48、本发明实施例提出的基于任务对齐学习的红外船舶目标检测方法，在yolox算法基础上进行改进，采用无锚框范式，结合任务对齐学习进行标签分配和对齐，有针对地设计检测头以强化对小目标和遮挡目标的检测性能。