[發明專利]基于級聯注意力與點監督機制的全卷積考場目標檢測方法

有效

• 申請號: 202010672308.6
• 申請日: 2020-07-14
• 公開（公告）號: CN111814704B
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 馬苗;田卓鈺;郭敏;任杰
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 西安永生專利代理有限責任公司 61201
• 代理人: 申忠才

1.一種基于級聯注意力與點監督機制的全卷積考場目標檢測方法，其特征在于由下述步驟組成：

(1)構建全卷積考場目標檢測網絡模型

在Pytorch框架下，將基于級聯注意力的特征增強模塊的特征提取網絡輸出與采用點監督分支(4-4)的檢測模塊連接構成基于級聯注意力與點監督機制的全卷積考場目標檢測網絡模型；

點監督分支(4-4)的構建方法為：在訓練階段以置信度P認為各目標中心點附近的區域屬于該目標的中心點，將以目標中心C為圓心、(1-P)為半徑生成中心點區域，并將中心點區域的標簽置為1，其余區域置為0，使用二進制交叉熵損失函數對該分支進行監督；

所述的基于級聯注意力與點監督機制的全卷積考場目標檢測網絡模型由骨干網絡(1)、級聯注意力模塊(2)、特征金字塔網絡(3)、全卷積檢測頭部模塊(4)四部分組成，骨干網絡(1)的輸出與級聯注意力模塊(2)的輸入相連，級聯注意力模塊(2)的輸出與特征金字塔網絡(3)的輸入相連，特征金字塔網絡(3)的輸出與全卷積檢測頭部模塊(4)的輸入相連；

所述的級聯注意力模塊(2)由3個級聯注意力層組成，該級聯注意力層以骨干網絡(1)的特征圖作為輸入，通過空間注意力機制SA得到具有空間注意力的一級特征F’；將該特征與原始輸入特征圖拼接并進行卷積操作，得到二級特征F”；重復該操作，將二級特征再次與原始輸入特征圖拼接并卷積，得到三級特征F”’；對一級特征、二級特征、三級特征進行拼接融合，將融合后的特征輸入至通道注意力機制CA中，得到輸出特征F_output，其表達式如下：

式中F為輸入特征圖，符號為特征圖拼接操作，Conv為兩次1×1的卷積操作；

(2)訓練全卷積考場目標檢測網絡模型

(a)設置網絡的超級參數

從標準化考場考生檢測專用數據集中取700張圖像作為訓練集，180張圖像作為測試集，訓練集輸入圖像的像素大小為1000×600，數據批量為2，采用隨機梯度下降法作為全卷積考場目標檢測網絡模型的優化器，學習率初始設置為0.005～0.015并且在第35～40輪迭代處下降10倍，全卷積考場目標檢測網絡模型共訓練45～50輪；

(b)網絡參數的初始化

采用ImageNet數據集對骨干網絡ResNet50進行預訓練得到權重和偏置，將權重和偏置作為特征提取網絡的初始權重和偏置，其他的網絡均使用Xavier方法初始化；

(c)訓練全卷積考場目標檢測網絡

將訓練集中的所有圖像輸入全卷積考場目標檢測網絡進行前向傳播并計算損失函數，損失函數是分類損失和回歸損失的和，其中分類損失由得分圖損失、Center-ness損失、點監督損失組成，回歸損失為交并比損失，使用自適應矩估計算法降低損失值來進行反向傳播，反復循環前向傳播和反向傳播，并更新全卷積考場目標檢測網絡的權重和偏置，直至達到設定的迭代次數，訓練結束，得到訓練好的全卷積考場目標檢測網絡；

(3)檢測測試集圖像

(a)設置網絡參數

設置區域置信度輸出閾值為0.05，單張圖最大檢測目標數為100，其他參數均為網絡默認值；

(b)將測試集中的圖像輸入訓練好的全卷積考場目標檢測網絡中，輸出考場目標檢測的結果圖。

2.根據權利要求1所述的基于級聯注意力與點監督機制的全卷積考場目標檢測方法，其特征在于：所述的全卷積檢測頭部模塊(4)由分類分支和回歸分支組成，分類分支由分類卷積模塊(4-1)、分類得分圖(4-2)、Center-ness熱力圖(4-3)和點監督分支(4-4)組成，回歸分支由回歸卷積模塊(4-5)、距離信息圖(4-6)組成。