本技术属于目标检测，更具体地，涉及一种目标检测方法、装置、计算机设备及可读存储介质。
背景技术：
1、随着计算机网络的快速发展，红外弱小目标检测技术也得到了快速发展，红外弱小目标检测技术能够在红外图像中准确地探测和辨识那些具有较低热信号或较小尺寸的目标物体。利用这种技术，即使那些潜在目标在红外图像中显得微不足道，如人体、车辆和无人机等，也能够有效地被发现。红外弱小目标检测广泛应用于军事侦察、安防监控、无人驾驶、边境巡逻等领域，为提高安全性和实时响应能力提供了重要支持。精准的红外弱小目标检测可增强对特定目标的识别能力，并帮助人们更好地理解和应对复杂环境下的潜在风险或威胁。
2、基于数据驱动的算法，例如卷积神经网络（cnn）或其他深度学习架构，通过多层次的卷积、池化和全连接等操作，从输入的红外图像中提取高级特征。这类算法具有较好的鲁棒性和准确性，能够有效地处理目标尺寸、形态的变化，并且能够同时处理多个目标。然而，由于上述神经网络对远距离特征捕获的能力不足，使得该模型将红外弱小目标从背景中分离的效果较差，即，对红外图像中红外弱小目标的识别精度较低。
技术实现思路
1、有鉴于此，本发明提供了一种目标检测方法、装置、计算机设备及可读存储介质，主要目的在于解决目前存在采用基于数据驱动的算法，对红外图像中红外弱小目标的识别精度较低的问题。
2、依据本技术第一方面，提供了一种目标检测方法，包括：
3、响应于目标检测请求，获取所述目标检测请求携带的红外图像，以及确定目标检测算法，所述目标检测算法包括依次连接的基于深度可分离卷积的注意力编码单元、标签监督单元、基于深度可分离卷积的注意力解码单元和sigmoid函数，所述红外图像包括红外弱小目标；
4、根据所述基于深度可分离卷积的注意力编码单元对所述红外图像的特征进行交替编码，得到具有通道与空间之间交叉维度信息的第一特征图，以及具有目标通道数的第二特征图；
5、基于所述标签监督单元对所述第一特征图与标签进行融合，得到具有标签信息的第三特征图；
6、基于所述具有标签信息的第三特征图和所述具有目标通道数的第二特征图利用所述基于深度可分离卷积的注意力解码单元进行交替解码，得到解码后的特征图；
7、利用所述sigmoid函数对所述解码后的特征图进行处理，得到具有红外弱小目标信息的检测结果。
8、可选地，所述基于深度可分离卷积的注意力编码单元包括双卷积编码头、多个注意力编码子单元，所述双卷积编码头与所述多个注意力编码子单元中的第一个注意力编码子单元的输入端连接，所述多个注意力编码子单元中每个注意力编码子单元与其相邻的注意力编码子单元连接；
9、所述根据所述基于深度可分离卷积的注意力编码单元对所述红外图像的特征进行交替编码，得到具有通道与空间之间交叉维度信息的第一特征图，以及具有目标通道数的第二特征图，包括：
10、利用所述双卷积编码头对所述红外图像进行两次编码，得到具有第一通道数的第一中间特征图，其中，所述双卷积编码头包括两个深度可分离卷积层；
11、基于所述多个注意力编码子单元中的第一个注意力编码子单元对所述第一中间特征图进行处理，得到具有第二通道数的第二中间特征图输入至第二个注意力编码子单元中，以及得到具有通道与空间之间第一交叉维度信息的第一输出特征图，继续利用所述第二个注意力编码子单元对所述第二中间特征图进行处理，得到具有第三通道数的第三中间特征图，以及得到具有通道与空间之间第二交叉维度信息的第二输出特征图，重复上述操作，直至所述多个注意力编码子单元中的最后一个注意力编码子单元完成处理任务；
12、确定所述最后一个注意力编码子单元输出的具有目标通道数的最终中间特征图为所述第二特征图；
13、基于每个注意力编码子单元输出的具有通道与空间之间交叉维度信息的输出特征图确定所述第一特征图。
14、可选地，每个注意力编码子单元包括依次连接的三元组注意力提取模块、最大池化层、深度可分离卷积层；
15、对每个注意力编码子单元执行以下操作：基于注意力编码子单元中的三元组注意力提取模块对输入的具有第一预设通道数的中间特征图进行处理，得到具有通道与空间之间交叉维度信息的特征图，将所述具有通道与空间之间交叉维度信息的特征图作为输出特征图，以及利用所述注意力编码子单元中的最大池化层对所述具有通道与空间之间交叉维度信息的特征图进行下采样，得到变换尺寸的特征图，通过所述注意力编码子单元中的深度可分离卷积层将所述变换尺寸的特征图的通道进行扩宽，得到具有第二预设通道数的中间特征图，所述第一预设通道数小于所述第二预设通道数。
16、可选地，所述标签监督单元包括多个标签监督模块；所述基于所述标签监督单元对所述第一特征图与标签进行融合，得到具有标签信息的第三特征图，包括：
17、从所述第一特征图提取多个具有通道与空间之间交叉维度信息的输出特征图，其中，每个输出特征图作为一标签监督模块的输入特征图；
18、对每个标签监督模块执行以下操作：确定标签监督模块对应的输入标签，以及确定所述标签监督模块对应的输入特征图，基于所述标签监督模块对所述输入标签和所述输入特征图进行融合，得到具有标签信息的特征图，其中，所述标签监督模块对应的输入标签与所述标签监督模块上一相邻的标签监督模块对应的输入标签具有关联关系；
19、将多个具有标签信息的特征图进行组合，得到所述第三特征图。
20、可选地，所述基于深度可分离卷积的注意力解码单元包括转换三元组注意力提取模块，多个注意力解码子单元、双卷积解码头，所述多个注意力解码子单元的输入端与所述转换三元组注意力提取模块连接，所述多个注意力解码子单元的输出端与所述双卷积解码头连接，所述多个注意力解码子单元中每个注意力解码子单元与其相邻的注意力解码子单元连接；
21、所述基于所述具有标签信息的第三特征图和所述具有目标通道数的第二特征图利用所述基于深度可分离卷积的注意力解码单元进行交替解码，得到解码后的特征图，包括：
22、利用所述转换三元组注意力提取模块对所述具有目标通道数的第二特征图进行处理，得到具有空间与通道之间中转交叉维度信息的中转特征图；
23、从所述第三特征图中提取多个具有标签信息的特征图，每个具有标签信息的特征图作为一注意力解码子单元的输入特征图；
24、基于所述多个注意力解码子单元中的第一个注意力解码子单元对所述中转特征图和对应的具有标签信息的特征图进行处理，得到具有空间与通道之间第一目标交叉维度信息的第一解码特征图，继续利用与所述第一个注意力解码子单元相邻的注意力解码子单元对所述第一解码特征图和对应的具有标签信息的特征图进行处理，得到具有空间与通道之间第二目标交叉维度信息的第二解码特征图，重复上述操作，直至所述多个注意力解码子单元中的最后一个注意力解码子单元完成处理任务；
25、确定所述最后一个注意力解码子单元输出的具有空间与通道之间最终交叉维度信息的目标解码特征图，并利用所述双卷积解码头对所述目标解码特征图进行两次解码，得到所述解码后的特征图，其中，所述双卷积解码头包括两个深度可分离卷积层。
26、可选地，每个注意力解码子单元包括依次连接的双线性插值模块、通道拼接模块、深度可分离卷积层和三元组注意力提取模块；
27、对每个注意力解码子单元执行以下操作：基于注意力解码子单元中的双线性插值模块对与上一相邻三元组注意力提取模块输出的具有空间与通道之间第一预设目标交叉维度信息的解码特征图进行上采样，得到解码特征图，确定所述注意力解码子单元对应的具有标签信息的特征图，基于所述注意力解码子单元中的通道拼接模块对所述具有标签信息的特征图和所述解码特征图进行通道拼接，得到拼接后的特征图，利用所述注意力解码子单元中的深度可分离卷积层对所述拼接后的特征图的通道进行扩宽，得到扩宽通道后的特征图，利用所述注意力解码子单元中的三元组注意力提取模块对所述扩宽通道后的特征图进行处理，得到具有空间与通道之间第二预设目标交叉维度信息的解码特征图，所述第二预设目标交叉维度信息的信息量大于所述第一预设目标交叉维度信息的信息量。
28、可选地，所述确定目标检测算法之前，所述方法还包括：
29、确定初始目标检测算法，所述初始目标检测算法包括依次连接的基于深度可分离卷积的初始注意力编码单元、初始标签监督单元、基于深度可分离卷积的初始注意力解码单元和sigmoid函数；
30、获取图像训练集，所述图像训练集包括多个训练图像，且每个训练图像包括至少一个红外弱小目标；
31、采用所述图像训练集对所述初始目标检测算法中的所述基于深度可分离卷积的初始注意力编码单元、所述初始标签监督单元、所述基于深度可分离卷积的初始注意力解码单元进行训练，得到所述目标检测算法，所述目标检测算法包括依次连接的训练后的基于深度可分离卷积的注意力编码单元、训练后的标签监督单元、训练后的基于深度可分离卷积的注意力解码单元和所述sigmoid函数。
32、依据本技术第二方面，提供了一种目标检测装置，包括：
33、获取模块，用于响应于目标检测请求，获取所述目标检测请求携带的红外图像，以及确定目标检测算法，所述目标检测算法包括依次连接的基于深度可分离卷积的注意力编码单元、标签监督单元、基于深度可分离卷积的注意力解码单元和sigmoid函数，所述红外图像包括红外弱小目标；
34、编码模块，用于根据所述基于深度可分离卷积的注意力编码单元对所述红外图像的特征进行交替编码，得到具有通道与空间之间交叉维度信息的第一特征图，以及具有目标通道数的第二特征图；
35、融合模块，用于基于所述标签监督单元对所述第一特征图与标签进行融合，得到具有标签信息的第三特征图；
36、解码模块，用于基于所述具有标签信息的第三特征图和所述具有目标通道数的第二特征图利用所述基于深度可分离卷积的注意力解码单元进行交替解码，得到解码后的特征图；
37、处理模块，用于利用所述sigmoid函数对所述解码后的特征图进行处理，得到具有红外弱小目标信息的检测结果。
38、依据本技术第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
39、依据本技术第四方面，提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
40、借由上述技术方案，本技术提供了一种目标检测方法、装置、计算机设备及可读存储介质，本技术通过目标检测算法中的基于深度可分离卷积的注意力编码单元对红外图像的特征进行交替编码，以进行特征增强和信息聚合，并利用标签监督单元将特征图与标签进行融合，增加特征图的语义信息以完成深度的标签监督，之后通过基于深度可分离卷积的注意力解码单元进行交替解码，进一步扩宽特征图的通道，以及进一步丰富通道与空间之间的关联性，有效聚合编码和解码过程中的远距离上下文依赖，最后得到具有丰富语义信息、丰富通道与空间之间的关联性和丰富通道信息的最终特征图，再通过sigmoid函数判断目标位置并输出包含目标位置的检测结果，通过上述过程可以准确识别出红外图像中的红外弱小目标，进而有效提高了对红外图像中红外弱小目标的识别精度。
41、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
1.一种目标检测方法，其特征在于，包括：
2.根据权利要求1所述的目标检测方法，其特征在于，所述基于深度可分离卷积的注意力编码单元包括双卷积编码头、多个注意力编码子单元，所述双卷积编码头与所述多个注意力编码子单元中的第一个注意力编码子单元的输入端连接，所述多个注意力编码子单元中每个注意力编码子单元与其相邻的注意力编码子单元连接；
3.根据权利要求2所述的目标检测方法，其特征在于，每个注意力编码子单元包括依次连接的三元组注意力提取模块、最大池化层、深度可分离卷积层；
4.根据权利要求1所述的目标检测方法，其特征在于，所述标签监督单元包括多个标签监督模块；所述基于所述标签监督单元对所述第一特征图与标签进行融合，得到具有标签信息的第三特征图，包括：
5.根据权利要求1所述的目标检测方法，其特征在于，所述基于深度可分离卷积的注意力解码单元包括转换三元组注意力提取模块，多个注意力解码子单元、双卷积解码头，所述多个注意力解码子单元的输入端与所述转换三元组注意力提取模块连接，所述多个注意力解码子单元的输出端与所述双卷积解码头连接，所述多个注意力解码子单元中每个注意力解码子单元与其相邻的注意力解码子单元连接；
6.根据权利要求5所述的目标检测方法，其特征在于，每个注意力解码子单元包括依次连接的双线性插值模块、通道拼接模块、深度可分离卷积层和三元组注意力提取模块；
7.根据权利要求1所述的目标检测方法，其特征在于，所述确定目标检测算法之前，所述方法还包括：
8.一种目标检测装置，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
