[发明专利]一种引入attention机制的多尺度目标检测方法

说明书

本发明涉及一种引入attention机制的多尺度检测技术，涉及图像处理领域，该方法包括采集待测图像，将待测图像导入attention yolo‑v3，attention yolo‑v3是在yolo‑v3基础上进行扩展的，添加一个具有通道注意力机制的SENet，使用现有的检测对目标进行并行预测。将待测图片输入到一个预训练好的神经网络中(darknet‑53+FPN)获得三种尺度的feature map；通过聚类得到三种尺度共九种先验框anchor boxs；feature map网格中的每一点会生成三种候选框bbox；计算预测框与真实框的IOU，为真实框分配一个最佳匹配；再将这些候选的bbox进行分类和边框(BBox)回归，最后nms过滤掉一部分候选的bbox。加入注意力机制训练使得其可以获得高准确率，最后还利用了多尺度训练以及多尺度测试提高了检测精度。

技术领域

本发明涉及图像处理领域，尤其是一种引入attention机制的yolo-v3多尺度检测技术。

目标检测被广泛地应用于行人检测、智能辅助驾驶、智能监控、火焰烟雾检测以及智能机器人等领域,目标检测技术虽然发展迅速，但是也存在很多问题，光照、遮挡、背景混淆、尺度问题一直是目标检测的难点。

深度卷积神经网络在目标检测任务上表现非常出色,这主要归功于大样本和其复杂的形式，深度使得模型拥有了很强的非线性表达能力。但目前的很多目标检测算法将检测过程看成是回归问题来处理，还不能很好的区分前景和背景，容易出现错捡和漏检。针对上述问题，可以利用深度学习进行目标检测，最后结合人工修改少量误检的方式从而更智能、高效的完成此任务。

发明内容

针对上述问题及技术需求，提出了一种基于attention yolo-v3的目标检测方法，该方法不仅利用了经典的实时目标检测检测方法yolo-v3，结合语意信息多加注意力机制，以及结合特征金字塔网络，从而提高了网络检测精度。提出引入注意力机制的Attention-YOLO算法，在特征提取网络中加入通道注意力及空间注意力机制，最终仅增加1.4％的参数量，在不影响实时性的前提下改进了其对于关键特征的提取筛选能力；

本发明的技术方案如下：

一种基于attention yolo-v3的目标检测方法，该attention yolo-v3包括卷积神经网络 darknet-53、具有通道注意力机制的SENet、特征金字塔网络、分类器，方法包括：

采集待测图像，将待测图像输入darknet-53网络，该网络大量使用3*3与1*1卷积层依次连接的形式，并且添加了shortcut连接，其网络结构比复杂，有53个卷积层。

在darknet-53前向传播过程中加入具有通道注意力机制的SENet。步骤是先对 H′×W′×C′的特征输入X进行卷积操作，得到待处理的W×H×C的特征图U.接着对得到的U 分别进行Fsq和Fscale.

Fsq操作：对于每一个通道进行全局平均池化，得到一个1×1×C的特征图z。公式为：

其中，U_c表示的是U的第c个通道。

Fscale操作：将z作为一个全连接神经网络的输入，该神经网络的权重为W. Fex(z,W)表示的是一个全连接层的计算过程。得到不同通道特征图的权重系数s,再通过与U对应通道上的特征图进行相乘，以此来表示不同通道的特征图的重要性程度。具体形式如下式所示：s＝F_ex(z,W),X_c＝F_scale(u_c,s_c)＝s_c·u_c.