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: 2025103448840
申请人: 南昌大学
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:

1.一种基于自适应感知注意力的实时交通目标检测方法,其特征在于,包括:获取实时交通目标图像并进行预处理,将预处理后的所述实时交通目标图像输入交通目标检测模型,所述交通目标检测模型包括注意力内部尺度特征交互模块、多尺度偏移感知注意力模块和双向跨尺度特征融合模块;

获取所述实时交通目标图像的基础图像特征,再根据注意力内部尺度特征交互模块对所述基础图像特征进行多头注意力增强处理,以获取多头注意力增强特征,所述多头注意力增强处理基于自适应缩放因子,所述自适应缩放因子用于动态调整注意力头的特征关注强度;

根据所述多尺度偏移感知注意力模块对所述多头注意力增强特征进行多尺度特征增强处理,以获取多尺度增强特征,所述多尺度特征增强处理基于相对位置信息;

根据所述双向跨尺度特征融合模块对所述多尺度增强特征进行特征融合能力增强处理,以获取融合增强特征,所述双向跨尺度特征融合模块基于跨层连接结构,所述特征融合能力增强处理基于动态上采样算子,所述动态上采样算子用于减少特征丢失;

根据所述融合增强特征进行目标检测,以获取最终交通目标检测结果。

2.根据权利要求1所述的基于自适应感知注意力的实时交通目标检测方法,其特征在于,所述再根据注意力内部尺度特征交互模块对所述基础图像特征进行多头注意力增强处理,以获取多头注意力增强特征的步骤,具体包括:将基础图像特征输入注意力内部尺度特征交互模块,所述注意力内部尺度特征交互模块包括多头自适应注意力子模块;

多头自适应注意力子模块对所述基础图像特征进行维度变换,以划分为多头特征,分别对所述多头特征进行线性投影,以生成查询特征、键特征和值特征,所述多头特征的任一特征头均有唯一对应的注意力头;

将所述查询特征输入自适应权重生成块,根据全连接层计算查询特征的自适应缩放系数,将所述自适应缩放系数与所述查询特征相乘,以获取自适应调整查询特征;

将所述自适应调整查询特征与所述键特征进行点积运算,以获取单头注意力权重,再将所述单头注意力权重进行归一化处理,以生成单头注意力矩阵;

将所述单头注意力矩阵与所述值特征相乘,以获取单头注意力增强特征;

将所有注意力头的所述单头注意力增强特征进行特征拼接,以获取多头注意力增强特征。

3.根据权利要求2所述的基于自适应感知注意力的实时交通目标检测方法,其特征在于,所述注意力内部尺度特征交互模块具体包括:注意力内部尺度特征交互模块为双分支结构,将基础图像特征按照通道数划分为两部分后,分别输入不同分支,所述双分支结构包括无处理原始分支和连续残差分支;

所述连续残差分支包括两个连续的残差结构,第一残差结构包括第一原始支路和第一残差支路,所述第一残差支路中包括多头自适应注意力子模块,将所述第一原始支路和第一残差支路的输出相加后,输入第二残差结构,所述第二残差结构包括第二原始支路和第二残差支路,所述第二残差支路中包括卷积层和激活层,所述卷积层包括两个1×1的卷积核,所述激活层为ReLU激活函数,将所述第二原始支路和第二残差支路的输出相加后,从连续残差分支中输出;

将所述无处理原始分支和连续残差分支的输出进行拼接后,经过1×1卷积层和ReLU激活层,从注意力内部尺度特征交互模块中输出。

4.根据权利要求1所述的基于自适应感知注意力的实时交通目标检测方法,其特征在于,所述根据所述多尺度偏移感知注意力模块对所述多头注意力增强特征进行多尺度特征增强处理,以获取多尺度增强特征的步骤,具体包括:将多头注意力增强特征按照特征尺度进行划分,以获取多尺度特征;

获取多尺度特征的查询向量和参考点,将所述多尺度特征、查询向量和参考点分别输入多尺度偏移感知注意力模块;

将所述查询向量输入线性层,以获取偏移量和注意力权重;

将所述参考点输入相对位置信息嵌入子模块,以获取相对位置信息,再将所述相对位置信息与所述偏移量相加,以获取采样偏移量;

对所述采样偏移量进行归一化处理,以将所述采样偏移量匹配到不同特征尺度,再将所述采样偏移量与参考点相加,以获取采样点;

根据所述采样点对所述多尺度特征进行特征值选取,以获取关键位置特征值,将所述关键位置特征值与所述注意力权重相乘,以获取注意力加权特征;

将所述注意力加权特征经过线性层,以获取多尺度增强特征。

5.根据权利要求4所述的基于自适应感知注意力的实时交通目标检测方法,其特征在于,所述相对位置信息嵌入子模块具体包括:相对位置信息嵌入子模块根据参考点中的空间坐标和采样网格,计算采样点在采样网格内的相对位移,所述相对位移包括横向坐标相对位移和纵向坐标相对位移;

将所述横向坐标相对位移和纵向坐标相对位移分别输入两个感知块,以分别生成横向坐标和纵向坐标的位置嵌入,再将所述横向坐标和纵向坐标的位置嵌入进行扩散相加,以生成全局相对位置信息嵌入特征;

根据所述全局相对位置信息嵌入特征计算空间距离,以筛选获取关键采样点,根据所述关键采样点生成相对位置信息。

6.根据权利要求1所述的基于自适应感知注意力的实时交通目标检测方法,其特征在于,所述根据所述双向跨尺度特征融合模块对所述多尺度增强特征进行特征融合能力增强处理,以获取融合增强特征的步骤,具体包括:将多尺度增强特征输入双向跨尺度特征融合模块,按照特征层次将所述多尺度增强特征划分为低层特征、中层特征和高层特征,所述低层特征、中层特征和高层特征的不同特征层次之间进行双向连接,所述双向连接用于按照特征层次的顺序将特征从低层传递至高层或从高层传递至低层;

将所述低层特征、中层特征和高层特征中每个特征层次内的所有特征进行加权融合,以分别输出低层加权融合特征、中层加权融合特征和高层加权融合特征;

将所述低层加权融合特征、中层加权融合特征和高层加权融合特征进行特征拼接后,根据卷积层进行降维处理,以获取融合增强特征。

7.根据权利要求6所述的基于自适应感知注意力的实时交通目标检测方法,其特征在于,所述双向跨尺度特征融合模块还包括:双向跨尺度特征融合模块包括动态上采样算子,所述动态上采样算子用于生成特征的对应权值;

所述动态上采样算子包括动态权值生成块,所述动态权值生成块对动态上采样算子的输入特征进行卷积操作,以获取权值特征,所述权值特征包括上下文信息;

根据所述权值特征对每个采样位置进行动态选择,以获取采样点和动态权值,所述动态权值与所述采样点唯一对应;

根据所述采样点和动态权值对输入特征的像素值进行加权求和,以生成动态上采样特征。

8.一种基于自适应感知注意力的实时交通目标检测系统,其特征在于,包括:预处理模块,用于获取实时交通目标图像并进行预处理,将预处理后的所述实时交通目标图像输入交通目标检测模型,所述交通目标检测模型包括注意力内部尺度特征交互模块、多尺度偏移感知注意力模块和双向跨尺度特征融合模块;

注意力内部尺度特征交互模块,用于获取所述实时交通目标图像的基础图像特征,再根据注意力内部尺度特征交互模块对所述基础图像特征进行多头注意力增强处理,以获取多头注意力增强特征,所述多头注意力增强处理基于自适应缩放因子,所述自适应缩放因子用于动态调整注意力头的特征关注强度;

多尺度偏移感知注意力模块,用于对所述多头注意力增强特征进行多尺度特征增强处理,以获取多尺度增强特征,所述多尺度特征增强处理基于相对位置信息;

双向跨尺度特征融合模块,用于对所述多尺度增强特征进行特征融合能力增强处理,以获取融合增强特征,所述双向跨尺度特征融合模块基于跨层连接结构,所述特征融合能力增强处理基于动态上采样算子,所述动态上采样算子用于减少特征丢失;

检测输出模块,用于根据所述融合增强特征进行目标检测,以获取最终交通目标检测结果。

9.一种存储介质,其特征在于,所述存储介质存储一个或多个程序,该程序被处理器执行时实现如权利要求1-7任一项所述的基于自适应感知注意力的实时交通目标检测方法。

10.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,其中:所述存储器用于存放计算机程序;

所述处理器用于执行所述存储器上所存放的计算机程序时,实现权利要求1-7任一项所述的基于自适应感知注意力的实时交通目标检测方法。