[發明專利]一種基于多域注意力機制的無人機檢測方法及系統

有效

• 申請號: 202111389310.3
• 申請日: 2021-11-23
• 公開（公告）號: CN113822383B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 羅遠哲;劉瑞景;徐盼云;梅軼純;鄭玉潔;吳鵬;劉志明;李文靜;孟小鈺
• 申請（專利權）人: 北京中超偉業信息安全技術股份有限公司
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 杜陽陽

1.一種基于多域注意力機制的無人機檢測方法，其特征在于，包括：

構建無人機檢測圖像數據集；無人機檢測圖像數據集中圖像包括利用可見光攝像頭拍攝的不同型號的無人機的飛行視頻轉換后獲得的圖像，無人機檢測圖像數據集中圖像還包括通過網絡爬蟲下載的包含無人機的圖像；

構建基于多域注意力機制的無人機檢測網絡；

采用所述無人機檢測圖像數據集對所述無人機檢測網絡進行訓練，獲得無人機檢測模型；

利用所述無人機檢測模型對待檢測圖像進行無人機檢測；

所述無人機檢測網絡包括骨干網絡、多尺度特征融合網絡、多域注意力機制模塊、區域生成網絡、ROI Align層和檢測頭；

所述骨干網絡包括依次連接的第一卷積塊、第二卷積塊、第三卷積塊、第四卷積塊和第五卷積塊；

所述多尺度特征融合網絡用于對所述第五卷積塊的輸出進行卷積核為1*1的卷積操作，獲得特征圖F5；所述多尺度特征融合網絡還用于將對所述特征圖F5進行上采樣操作后的特征圖與對所述第四卷積塊的輸出進行卷積核為1*1的卷積操作后的特征圖進行元素級相加，獲得特征圖F4；所述多尺度特征融合網絡還用于將對所述特征圖F4進行上采樣操作后的特征圖與對所述第三卷積塊的輸出進行卷積核為1*1的卷積操作后的特征圖進行元素級相加，獲得特征圖F3；所述多尺度特征融合網絡還用于將對所述特征圖F3進行上采樣操作后的特征圖與對所述第二卷積塊的輸出進行卷積核為1*1的卷積操作后的特征圖進行元素級相加，獲得特征圖F2；

所述多域注意力機制模塊用于對所述特征圖F5進行全局平均池化，獲得通道域特征圖；所述多域注意力機制模塊還用于將所述通道域特征圖分別與所述特征圖F5、所述特征圖F4、所述特征圖F3和所述特征圖F2相乘，獲得對應的特征圖M5、特征圖M4、特征圖M3和特征圖M2；所述多域注意力機制模塊還用于對所述特征圖F2進行卷積核為1*1的卷積操作，獲得空間域特征圖；所述多域注意力機制模塊還用于將所述空間域特征圖與所述特征圖M2相乘，獲得特征圖D2；所述多域注意力機制模塊還用于將所述空間域特征圖進行一次核為2*2的最大池化操作后與所述特征圖M3相乘，獲得特征圖D3，將所述空間域特征圖進行最大池化操作后的特征圖與所述特征圖M3空間維度相同；所述多域注意力機制模塊還用于將所述空間域特征圖進行兩次核為2*2的最大池化操作后與所述特征圖M4相乘，獲得特征圖D4；所述多域注意力機制模塊還用于將所述空間域特征圖進行三次核為2*2的最大池化操作后與所述特征圖M5相乘，獲得特征圖D5；

所述特征圖D5、所述特征圖D4、所述特征圖D3和所述特征圖D2輸入所述區域生成網絡；所述區域生成網絡的輸出連接所述ROI Align層，所述ROI Align層連接檢測頭。

2.根據權利要求1所述的基于多域注意力機制的無人機檢測方法，其特征在于，所述ROI Align層輸出的各候選區域特征圖的尺寸相同。

3.根據權利要求1所述的基于多域注意力機制的無人機檢測方法，其特征在于，所述檢測頭包括分類支路和回歸支路；所述分類支路的損失函數為二分類交叉熵損失函數，所述回歸支路的損失函數為平衡損失函數。

4.根據權利要求1所述的基于多域注意力機制的無人機檢測方法，其特征在于，所述構建無人機檢測圖像數據集，具體包括：

采用標注軟件標注出各無人機檢測圖像中無人機的位置；

通過對標注后的無人機檢測圖像進行旋轉和加噪處理，增多無人機檢測圖像的數量。