[发明专利]基于注意力机制与并行空洞卷积网络的目标检测方法、系统

权利要求书

1.一种基于注意力机制与并行空洞卷积网络的目标检测方法，其特征在于，包括以下步骤：

提取待测目标图像信息中的高层特征，将所述高层特征中的多尺度下的多个高层特征图(1)进行融合，生成语义信息特征图(2)；

基于所述语义信息特征图(2)生成细化语义信息特征图(3)；

提取待测目标图像信息中的低层特征，将所述低层特征中的多个低层特征图(4)进行融合，生成细粒度信息特征图(5)；

将所述细化语义信息特征图(3)与细粒度信息特征图(5)通过空间注意力网络细化后生成细化细粒度信息特征图(6)；

将所述细化细粒度信息特征图(6)进行反卷积，并将所述细化细粒度信息特征图(6)与所述细化语义信息特征图(3)线性融合，得到含有细化细粒度信息和语义信息的细粒度语义特征图(7)，将所述细粒度语义特征图(7)导入并行空洞卷积网络得到所述并行空洞卷积网络中每个分支的感受野特征图(8)，对所述感受野特征图(8)进行目标检测框的分类和定位。

2.根据权利要求1所述的一种基于注意力机制与并行空洞卷积网络的目标检测方法，其特征在于，所述待测目标的图像信息中的高层特征通过SSD算法的卷积神经网络获得。

3.根据权利要求2所述的一种基于注意力机制与并行空洞卷积网络的目标检测方法，其特征在于，基于SSD算法，选取Conv8_2、Conv9_2和Conv10_2三个高层特征图(1)，将Conv9_2和Conv10_2的两个特征图尺寸反卷积成Conv8_2的特征图尺寸大小，将反卷积后的Conv9_2和Conv10_2特征图与Conv8_2特征图沿通道方向进行堆叠，通过卷积操作进行特征融合，生成语义信息特征图(2)。

4.根据权利要求1所述的一种基于注意力机制与并行空洞卷积网络的目标检测方法，其特征在于，所述语义信息特征图(2)通过通道注意力网络生成细化语义信息特征图(3)，所述通道注意力网络包括上支路、下支路，

所述上支路将语义信息特征图(2)通过一次全局池化，再通过全连接层和Relu激活层，然后通过全连接层和Sigmoid激活层，最后得到特征向量；

所述下支路将语义信息特征图(2)作为输入；

采用所述上支路生成的所述特征向量对所述下支路输入的语义信息特征图(2)进行恒等映射沿通道方向进行加权，输出生成细化语义信息特征图(3)。

5.根据权利要求1所述的一种基于注意力机制与并行空洞卷积网络的目标检测方法，其特征在于，所述待测目标的图像信息中的低层特征通过SSD算法的卷积神经网络获得。

6.根据权利要求5所述的一种基于注意力机制与并行空洞卷积网络的目标检测方法，其特征在于，基于SSD算法，选取Conv4_3和Conv7两个低层特征图(4)，将Conv7的特征图尺寸反卷积成Conv4_3的特征图尺寸大小，将反卷积后得到的Conv7特征图与Conv4_3特征图沿通道方向堆叠，通过卷积操作进行融合，生成细粒度信息特征图(5)。

7.根据权利要求1所述的一种基于注意力机制与并行空洞卷积网络的目标检测方法，其特征在于，

将细粒度信息特征图(5)和所述细化语义信息特征图(3)导入所述空间注意力网络，所述空间注意力网络包括上支路、下支路，

将所述细化语义信息特征图(3)作为所述空间注意力网络的上支路的输入，分别将所述细化语义信息特征图(3)通过所述空间注意力网络的上支路的两个相同的分支路；将两个所述分支路生成的特征图进行对应元素相加操作，通过一次Sigmoid激活层对其相加操作后的特征图进行编码获得最终特征图；

将所述细粒度信息特征图(5)作为所述空间注意力网络的下支路的输入；

采用上支路生成的所述最终特征图对所述下支路的输入的所述细粒度信息特征图(5)进行加权生成细化细粒度信息特征图(6)。