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: 2023108658460
申请人: 长沙理工大学
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:

1.一种基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法,其特征在于,该方法对原有的Yolov5网络进行了改进,具体包括:(1)跨阶段路由注意力模块

在Yolov5网络中,将骨干网络中的第6层和第8层的C3模块都替换为跨阶段路由注意力模块,且将第2层、第4层、第6层和第9层的特征图信息依次作为输入信号P2、P3、P4和P5输入到颈部网络中;所述跨阶段路由注意力模块的构成方式为:首先将特征图的通道数一份为二,第一部分通过注意力机制进行特征增强信息,另一部分则经过跨阶段与增强后的特征进行输出合并,最后再使用残差结构进行语义的局部增强;

(2)多尺度特征融合方法

颈部网络中,通过骨干网络得到 i代表骨干网络中提取的第i层特征图,i∈{0,1,3,4},f0~f3分别对应于输入信号P5~P2,其中Ci∈{1024,512,

256,128};Si代表经过多级信息融合模块后的输出的结果,其经过多尺度特征融合网络的数学化公式表示为:S0=f0

Si=MRI(fi,Si‑1)i=1,4

Si=MRI(fi,Si‑1,fi+1)i=2,3Si=MRI(Si‑3,Si‑4)i=5,7Si=MRI(Si‑3,Si‑4,Si‑1)i=6其中,MRI函数的含义是多尺度的特征融合模块函数,能基于拼接和上采样进行各个参数的多尺度特征的融合;

(3)双分支预测解耦头

解耦头中,使用了颈部网络中相对更浅的P2和P3层对应的特征图的两层输出,以将其分别进行双分支预测解耦输出作为最终的预测结果。

2.根据权利要求1所述的基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法,其特征在于,所述跨阶段路由注意力模块中的注意力机制为改进设计的BRA注意力机制,所述BRA注意力机制的构成方式为:C×H×W C×H×W

BRA注意力机制中,任取单元X∈R 作为输入,以Y∈R 作为输出,首先本发明将特征图划分为P×P块相互不重叠的区域,然后将这些区域按照空间维度展平,得到 个特征向量,然后将得到的特征向量输入通过线性映射推导出 其中C是特征图的通道数,H和W分别是特征图的宽和高,P是特征图划分的块数;

r Q r K r V

Q=XW,K=XW,V=XW

Q K V C×C

这里的W ,W ,W ∈R 都是参数矩阵,代表映射图像中Query,Key,Value的线性映射权r重矩阵,然后将Q与K的按特征向量划分的区域求平均值得到Q,r

A=Mean(Q)×Mean(K)

r r

然后将Q 与K进行相乘操作计算最相关的相似度得到 S为,将得到的相k

似度矩阵使用topK算子保留关系最密切的前K个区域出的索引,得到区域路由索引I ;最后将邻近的缩影与原始的K与V连接起来;

g K g K

K=gather(I ,K),V=gather(I ,V)g g

其中 然后将得到K 和V 与原始的Q进行自注意力计算,同时r

将得到的V通过深度可分离卷积与自注意力的结果进行残差计算;

g g g

BRA(X)=Attention(Q,K ,V)+DwConv(V)C×H×W

得到最终的结果O∈T ,其中,Mean为均值函数,softmax为归一化指数函数,gather是维度拼接函数,DwConv为深度可分离卷积函数。

3.根据权利要求1所述的基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法,其特征在于,所述跨阶段路由注意力模块中的注意力机制为双层路由注意力模块。

4.根据权利要求1所述的基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法,其特征在于,所述MRI函数的定义具体如下:MRI(X)=Concat(Conv(X),ResBlock(X))+Conv(X)ResBlock(X)=SiLU(Conv(X)+Conv(X))+X其中,ResBlock是残差块函数,Concat是连接块函数,Conv是基础卷积块函数,SiLU是silu激活函数(SigmoidLinear Unit),X是特征图信息。

5.根据权利要求1所述的基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法,其特征在于,还包括:(4)FocalEIOU损失函数

双分支预测解耦中的预测头接受到特征向量,预测出类别、置信度、矩形框,其对应Yolov5中三部分损失,分别为分类损失、边界框回归损失以及目标置信度损失,Yolov5的损失函数可以由下式表示其中λ,μ,φ为权重参数,N代表检测头数量,h代表标签分配到先验框的目标个数,S代表图片分割成的网格数,LBox代表边界框损失,LObj代表置信度损失,LCls代表分类损失;其中分类损失与目标的置信度损失都是由二元交叉熵损失计算,其公式由下式表达y模型预测值, 为标签真实值,而边界框回归损失由CIOU计算得到;采用Focal EIOU代替CIOU作为边界框回归损失计算,EIOU包含三部分:重叠部分,中心距离损失,宽高损失,EIOU由下式所示:

2 gt

其中ρ(b,b )表示预测框中心点与真实框中心点的欧氏距离,h,w代表预测框的宽度gt gt c C和高度,h ,w 代表真实框的宽度和高度,h ,w是覆盖两个框的最小封闭框的宽度和高度,Focal EIOU的计算公式由下式所示r

LFocal‑EIOU=IOULEOOU

其中,IOU是边界回归框的交并体的值,γ是控制异常值抑制程度的参数。

6.根据权利要求1所述的基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法,其特征在于,所述基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法的检测目标为交通标志。

7.一种基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测系统,其特征在于,包括:至少一个处理器;以及

与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一项所述的基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法。

8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一项所述的基于跨阶段路由注意力模块和残差信息融合模块的Yolov5目标检测方法。