欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106712343
申请人: 湖北工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于注意力机制的多尺度目标检测方法,其特征在于,包括以下步骤:步骤1,获取图像数据集;

步骤2,对图像数据集进行预处理,并划分训练集、测试集、验证集;

步骤3,建立基于注意力机制的多尺度目标检测的目标检测模型,所述目标检测模型包括CSPdarknet53主干网络、SPP池化模块、RP-PANet特征融合模块、检测头部几个部分,其中,在CSPdarknet53主干网络中添加Coordinate Attention注意力机制,有效的提高对于特征图的提取;

在主干网络CSPdarknet53的第一层结构中引入Coordinate Attention注意力机制模块;Coordinate Attention注意力机制分为两个阶段:第一阶段为Coordinate Attention信息的嵌入,对输入的特征图,先经过一个残差结构,然后使用尺寸为(H,1)和(1,W)的池化核,分别在水平坐标和竖直坐标方向对每个通道进行编码,得到特征第二个阶段为Coordinate Attention生成,通过第一个阶段获取的信息,将x在RP-PANet特征融合模块中引入pyconv卷积模块,即多尺度卷积操作,pyconv卷积模块的处理过程如下;

设置FMi为输入的特征图,PyConv的层次为{level1,level2,…,leveln},提供的多尺度卷积核为PyConv的计算量为:

最后各个层次特征图组成最后的输出特征图表示为:FM在RP-PANet特征融合模块中引入Reslayer结构,对于输入的特征图,经过Reslayer结构后会分成左右两个分支进行卷积运算,右边的分支,只进行卷积操作,左边的分支,首先进行卷积操作,然后进入n个残差网络块,对特征图的特征进行深度提取,不会造成梯度的发散,n层残差网络块处理后,与右边的分支的特征层进行concat操作,扩大特征图通道,提高特征图的特征信息,最后进行卷积操作进一步对图像特征进行提取;其中每个卷积操作之后还连接了BN层和SILU层;

X

X

X

X

X

X

残差网络块的梯度更新值表示为:

由于每层残差网络块的输出结果都为正,所以D

步骤4,训练目标检测模型;

步骤5,基于训练好的目标检测模型进行目标检测,将待识别数据集图像输入到训练好的目标检测模型中,模型对图像进行分类、输出物体的名称以及识别的置信度,完成识别。

2.如权利要求1所述的一种基于注意力机制的多尺度目标检测方法,其特征在于:步骤3中目标检测模型的具体处理过程如下;

数据集中的每幅图像经过改进后的CSPdarknet53主干网络进行特征提取后,输出第一输出特征层,第二输出特征层,第三输出特征层;

所述第一输出特征层定义为:X1;

所述第二输出特征层定义为:X2;

所述第三输出特征层定义为:X3;

所述第三输出特征层先经过3次卷积,然后经过SPP模块进行池化操作,再经过3次卷积,得到池化后第三输出特征层;

所述池化后第三输出特征层定义为:X3’;

所述Py-PANet特征融合模块包括:

第一Reslayer模块、第二Reslayer模块、第三Reslayer模块、第四Reslayer模块、第一上采样层、第二上采样层、第一下采样层、第二下采样层、第一卷积连接层、第二卷积连接层、第三卷积连接层、第四卷积连接层;

所述第一上采样层定义为:Up1;

所述第二上采样层定义为:Up2;

所述第一下采样层定义为:Down1;

所述第二下采样层定义为:Down2;

所述第一卷积连接层定义为:Concat1;

所述第二卷积连接层定义为:Concat2;

所述第三卷积连接层定义为:Concat3;

所述第四卷积连接层定义为:Concat4;

所述第一Reslayer模块定义为:Reslayer1;

所述第二Reslayer模块定义为:Reslayer2;

所述第三Reslayer模块定义为:Reslayer3;

所述第四Reslayer模块定义为:Reslayer4;

X1、X2和X3’输入RP-PANet特征融合模块,X3’经过Up1,进行上采样操作得到改变通道数后的特征层,再进行多尺度卷积操作对特征层进行特征融合,再与X2一起进入Concat1,Concat1操作对X3’和X2特征层进行通道数整合得到特征层X23’,经过Reslayer1,对整合的特征层X23’进行更深层次的特征融合,特征融合后的X23’再经过Up2,进行上采样操作得到改变通道数后的特征层,再进行多尺度卷积操作对特征层进行特征融合,再与X1一起进入Concat2,Concat2操作对特征融合后的X23’和X1特征层进行通道数整合,经过Reslayer2进行深度特征融合后,得到第一最终输出特征层,定义为Head1,X1经过Down1,进行下采样操作得到改变通道数后的特征层,再与特征融合后的X23’一起进入Concat3,经过Reslayer3对特征层进行特征融合,得到第二最终输出特征层,定义为Head2,X2经过Down2,进行下采样操作得到改变通道数后的特征层,与X3’一起进入Concat4,经过Reslayer3对特征层进行特征融合,得到第三最终输出特征层,定义为Head3;

最后将Head1,Head2,Head3传入检测头部。

3.如权利要求2所述的一种基于注意力机制的多尺度目标检测方法,其特征在于:步骤4中训练目标检测模型的实现过程如下;

步骤4.1,根据CSPdarnet53模块的初始训练权重,对图像数据集进行训练,得到预训练权重;

步骤4.2,基于步骤4.1的预训练权重,再根据添加的Coordinate Attention注意力机制,进行训练,进一步得到添加Coordinate Attention注意力机制后的训练权重;

步骤4.3,基于步骤4.2的训练权重,在RP-PANet中添加多尺度卷积操作pyconv进行训练,第二训练权重;

步骤4.4,基于步骤4.3的第二训练权重,在RP-PANet中添加Reslayer进行训练,得到完整的训练模型。