[发明专利]基于注意力机制残差网络的摄像监控状态分类方法

权利要求书

1.基于注意力机制残差网络的监控状态分类方法，采用以下步骤：

步骤1：获取监控系统的图像，构建用于训练的数据集，将这些数据集根据故障类型分类，并进行数据集的扩充、标准化的预处理：

步骤1.1：当某个类别的图像数量与所有类别中的最大样本数的比例小于1：4时，对这类图像采取翻转、裁剪、改变亮度的方法扩充样本数，使整个数据集达到平衡；

步骤1.2：将图像缩小为大小，并对缩小后的图像img进行标准化处理，标准化的公式如下：

其中μ为图像img的均值，adjusted_stddev为：

σ为图像img的标准差；

步骤2：通过构建通道注意力模块与空间注意力模块组成注意力机制模块，并与残差网络的残差模块结合产生注意力机制残差模块单元，由多个注意力机制残差模块单元构建注意力机制残差网络：

步骤2.1：构建通道注意力模块：通道注意力模块包括平均池化与最大池化两个池化层、四个全连接层、两个ReLu激活函数、及一个sigmoid激活函数；通道为输入维度的最后一维大小，每个通道为图像的一个特征，通道注意力模块利用各通道间的关系，采用平均池化和最大池化操作聚合特征图的空间信息，生成两个不同的描述特征：平均值池化特征F_avg和最大值池化特征F_max，随后分别输入全连接层并以r倍压缩特征层数，经过激活函数ReLu后恢复原大小输出全连接层，最后结合平均池化和最大池化的特征，并采用sigmoid激活函数输出，得到通道注意力M_c(F)，通道特征F_c：

M_c(F)＝sigmoid(F_avg+F_max)

步骤2.2：构建空间注意力模块：空间注意力模块包括平均池化与最大池化两个池化层，将两个池化层输出结果级联起来的级联层，一个卷积层，及一个sigmoid函数；空间注意力模块将步骤2.1通道注意力模块的输出通道特征F_c作为输入，在通道上分别做平均值池化与最大值池化，将二者级联形成新的特征层，经过7x7卷积层后采用sigmoid激活函数输出得到空间注意力M_s(F)，最后空间特征F_s为：

其中，分别为平均值池化层和最大值池化层，conv为卷积操作；

步骤2.3：组成注意力机制残模块单元：包括残差模块及注意力机制模块，其中残差模块由残差单元bottleneck堆叠而成，bottleneck分为两个分支：残差部分residual和捷径连接shortcut；在residual分支上，输入经过批量标准化BN层和三个卷积层后输入注意力机制模块，注意力机制模块由通道注意力和空间注意力组成，输出与bottleneck的shortcut分支相加，构成整个注意力机制残差模块单元，在卷积层改变卷积核个数构成不同的注意力机制残差模块单元，组成注意力机制残差网络；

步骤3：打乱步骤1中的数据集并将数据集分成多个批次，输入步骤2中的注意力机制残差网络进行训练，并保存模型；

步骤4：将实时监控图像输入注意力机制残差模块，对图像进行故障分类。

[0001]本发明对残差网络ResNet进行了改进，添加了注意力机制，提高了分类精度，并将模型应用于摄像监控状态的故障检测分类，节约了人工成本。

[0002]并且本发明，模型由多个注意力机制残差模块单元组成，随着层次的深入，来自不同模块的注意感知特性也在不断变化，简化了残差网络的训练，同时提高了监控状态分类的精度，提高了效率。