1.一种空间自注意力机制,其特征在于,主要包括以下步骤:步骤1、对特征图F∈RC×H×W进行自适应平均池化得到特征图F′;
步骤2、对特征图F′进行两次降维映射,得到f(F′)与g(F′),将f(F′)与g(F′)按行展开,得到矩阵M和矩阵N;
步骤3、将矩阵M和矩阵N进行相乘,得到矩阵Z=MT×N;
步骤4、对矩阵Z通过行卷积得到特征图Y;
步骤5、对特征图Y使用sigmoid激活并进行拓展,得到特征图Q;
步骤6、对特征图Q进行反自适应平均池化,得到最终空间每个像素的权重,将所述权重与特征图F进行点乘,以获得最终特征图R;
步骤7、将最终特征图R作为下一个卷积层的输入。
2.根据权利要求1所述的空间自注意力机制,其特征在于:步骤1中,特征图F′=AdaptiveAvgPool2d(F),此时F′的大小为C×H′×W′。
3.根据权利要求1所述的空间自注意力机制,其特征在于:步骤2中,所述矩阵M=reshape(f(F′)),N=reshape(g(F′)),且M,N的大小为C′×H′W′。
4.根据权利要求1所述的空间自注意力机制,其特征在于:步骤3中,所述矩阵Z的大小为H′W′×H′W′,其中,矩阵Z的第i行第j列元素表示j像素对i像素的影响程度。
5.根据权利要求1所述的空间自注意力机制,其特征在于:步骤4中,特征图Y的大小为H′W′×1。
6.根据权利要求1所述的空间自注意力机制,其特征在于:步骤5中,特征图Q的大小为H′×W′。
7.一种目标检测方法,其特征在于,应用权利要求1-6中任一项所述的空间自注意力机制,主要包括以下步骤:步骤S1、获取原始数据集,搭建基础网络框架,以提取图像的卷积特征;
步骤S2、构造目标检测模型,并将基础网络框架的上采样层与下采样层进行特征融合,应用空间自注意力机制,作为下一个卷积层的输入;
步骤S3、将训练后的原始数据集作为基础网络框架的输入,采用Adam优化器对目标检测模型进行训练优化,以得到最终的目标检测模型。
8.根据权利要求7所述的目标检测方法,其特征在于,所述步骤S1具体包括以下步骤:步骤S11、获取原始数据集,将原始数据集通过数据增强进行扩充;
步骤S12、选取Hourglass-54作为基础网络框架,用于提取图像的卷积特征。
9.根据权利要求8所述的目标检测方法,其特征在于,所述步骤S12具体包括:步骤S121、缩放原始数据集,作为基础网络框架的输入;
步骤S122、基础网络框架包含六层下采样层与五层上采样层,将对应的上采样层与下采样层进行特征融合之后,应用空间自注意力机制,作为下一个卷积层的输入;
步骤S123、在基础网络框架的最后一层添加检测层,所述检测层采用CenterNet检测层模块。
10.根据权利要求7所述的目标检测方法,其特征在于,所述步骤S3具体包括以下步骤:步骤S31、初始化基础网络框架参数,对其余层采用随机初始化;
步骤S32、将训练后的原始数据集作为基础网络框架的输入,采用Adam优化器对目标检测模型进行训练优化,并不断更新基础网络框架中的参数。