[發明專利]基于空間自注意力機制的目標檢測方法

有效

• 申請號: 202010002235.X
• 申請日: 2020-01-02
• 公開（公告）號: CN111222562B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 張伶俐;陳可佳;周曉萌
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F17/16
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 姚姣陽

1.一種基于空間自注意力機制的目標檢測方法，其特征在于，主要包括以下步驟：

步驟S1、獲取原始數據集，搭建基礎網絡框架，以提取圖像的卷積特征；

步驟S2、構造目標檢測模型，基礎網絡框架采用的是對稱的上采樣層與下采樣層結合的網絡，其中，上采樣層與下采樣層進行特征融合之后，應用空間自注意力機制，作為下一個卷積層的輸入；

步驟S3、將訓練后的原始數據集作為基礎網絡框架的輸入，采用Adam優化器對目標檢測模型進行訓練優化，以得到最終的目標檢測模型，

其中，所述空間自注意力機制主要包括以下步驟：

步驟1、對特征圖F∈R^C×H×W進行自適應平均池化得到特征圖F′；

步驟2、對特征圖F′分別進行兩次降維映射，得到f(F′)與g(F′)，將f(F′)與g(F′)按行展開，得到矩陣M和矩陣N；

步驟3、將矩陣M和矩陣N進行相乘，得到矩陣Z＝M^T×N；

步驟4、對矩陣Z通過行卷積得到特征圖Y；

步驟5、對特征圖Y使用sigmoid激活并進行拓展，得到特征圖Q；

步驟6、對特征圖Q進行反自適應平均池化，得到最終空間每個像素的權重，將所述權重與特征圖F進行點乘，以獲得最終特征圖R；

步驟7、將最終特征圖R作為下一個卷積層的輸入。

2.根據權利要求1所述的基于空間自注意力機制的目標檢測方法，其特征在于：步驟1中，特征圖F′＝AdaptiveAvgPool2d(F)，此時F′的大小為C×H′×W′。

3.根據權利要求1所述的基于空間自注意力機制的目標檢測方法，其特征在于：步驟2中，所述矩陣M＝reshape(f(F′))，N＝reshape(g(F′))，且M，N的大小為C′×H′W′。

4.根據權利要求1所述的基于空間自注意力機制的目標檢測方法，其特征在于：步驟4中，特征圖Y的大小為H′W′×1。

5.根據權利要求1所述的基于空間自注意力機制的目標檢測方法，其特征在于：步驟5中，特征圖Q的大小為H′×W′。

6.根據權利要求1所述的基于空間自注意力機制的目標檢測方法，其特征在于，所述步驟S1具體包括以下步驟：

步驟S11、獲取原始數據集，將原始數據集通過數據增強進行擴充；

步驟S12、選取Hourglass-54作為基礎網絡框架，用于提取圖像的卷積特征。

7.根據權利要求6所述的基于空間自注意力機制的目標檢測方法，其特征在于，所述步驟S12具體包括：

步驟S121、縮放原始數據集，作為基礎網絡框架的輸入；

步驟S122、基礎網絡框架包含六層下采樣層與五層上采樣層，將對應的上采樣層與下采樣層進行特征融合之后，應用空間自注意力機制，作為下一個卷積層的輸入；

步驟S123、在基礎網絡框架的最后一層添加檢測層，所述檢測層采用CenterNet檢測層模塊。

8.根據權利要求1所述的基于空間自注意力機制的目標檢測方法，其特征在于，所述步驟S3具體包括以下步驟：

步驟S31、初始化基礎網絡框架參數，對其余層采用隨機初始化；

步驟S32、將訓練后的原始數據集作為基礎網絡框架的輸入，采用Adam優化器對目標檢測模型進行訓練優化，并不斷更新基礎網絡框架中的參數。