[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

说明书

本发明公开了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、系统，包括以下步骤：提取目标图像信息中的高层特征，生成语义信息特征图；基于语义信息特征图生成细化语义信息特征图；提取目标图像信息中的低层特征，生成细粒度信息特征图；将细粒度信息特征图与细化语义信息特征图通过空间注意力网络细化后生成细化细粒度信息特征图；将细化细粒度信息特征图进行反卷积，并将细化细粒度信息特征图与细化语义信息特征图线性融合，得到细粒度语义特征图；将细粒度语义特征图导入并行空洞卷积网络得到感受野特征图，对感受野特征图进行目标检测框的分类和定位。本发明避免了损失像素信息；更有效、有利于提取语义信息；提高目标召回率和检测准确率。

技术领域

本发明涉及一种目标检测方法、系统，尤其涉及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、系统，属于计算机视觉技术领域。

背景技术

目标检测是计算机视觉和图像处理学科中的一大重要研究领域，包含目标分类和目标定位两个任务，是很多模式识别任务的基础。自Hinton教授提出深度学习理论，越来越多的研究学者尝试采用深度学习理念来解决目标检测问题。伴随着近些年来深度学习领域的飞速发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。基于深度学习的目标检测也取得了多项重大突破，各种经典的目标检测算法被相继提出，成为了目标检测领域的主流算法。如今目标检测技术被广泛地应用于各个领域中，比如，人脸识别、AI医疗、自动驾驶和智能视频监控等。

但是目前主流的目标检测算法如R-CNN系列算法、YOLO系列算法以及SSD系列算法都存在一个问题，即对目标的尺度变化范围很敏感，对尺度变化范围较大的检测目标鲁棒性较差，尤其是对小目标的检测效果差。

发明内容

本发明的目的在于克服现有技术中的目标检测方法对小目标的检测效果差的不足，提供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，技术方案如下：

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，包括以下步骤：

提取待测目标图像信息中的高层特征，将高层特征中的多尺度下的多个高层特征图进行融合，生成语义信息特征图；

基于语义信息特征图生成细化语义信息特征图；

提取待测目标图像信息中的低层特征，将低层特征中的多个低层特征图进行融合，生成细粒度信息特征图；

将细化语义信息特征图与细粒度信息特征图通过空间注意力网络细化后生成细化细粒度信息特征图；

将细化细粒度信息特征图的尺寸与细化语义信息特征图保持相同，并将细化细粒度信息特征图与细化语义信息特征图线性融合，得到细粒度语义融合特征图；将细粒度语义融合特征图导入并行空洞卷积网络得到并行空洞卷积网络中每个分支的感受野特征图，对感受野特征图进行目标检测框的分类和定位。

一种基于注意力机制与并行空洞卷积网络的目标检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现前述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

本发明的目标检测方法，引入了空间注意力网络对低层特征提取对于小目标检测更有效的边缘等信息，避免了损失像素信息等特征信息；引入通道注意力网络对高层特征的提取更有效、有利于提取目标分类的语义信息；以及具有不同感受野大小的并行空洞卷积网络更容易匹配到目标信息，提高目标的召回率，进而提高了目标检测的准确率。

附图说明

图1为本发明的基于注意力机制与并行空洞卷积网络的目标检测方法的网络流程图；

图2为本发明的并行空洞卷积网络结构图；

图3为本发明的通道注意力网络结构图；