[发明专利]一种基于注意力机制的小目标检测算法

说明书

本发明提出一种基于注意力机制的小目标检测算法，在检测过程中加入了注意力机制，从而将注意力机制应用到不同通道的特征图上，增强对于识别有利的通道，抑制对于识别无用的通道。在检测时，先将图像输入RPN中，得到预选区域，而后经过FPN网络提取各个尺度的特征，将其输入注意力模块，得到新的特征图，最后对这些特征进行分类与边框回归，得到检测结果。

技术领域

本发明涉及深度学习、目标检测、注意力机制，具体涉及到一种基于注意力机制的小目标检测算法。

背景技术

近年来，目标检测取得了长足的发展。尽管有了这些改进，但在检测小目标和大目标之间的性近年来，物体检测取得了令人瞩目的进展。尽管有这些改进，但在检测小物体和大物体之间的性能仍然存在显着差距。小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点，小目标的检测精度通常只有大目标的一半。最接近本发明的技术有：

(1)、YOLO：YOLO将物体检测作为回归问题求解。基于一个单独的End-To-End网络，完成从原始图像的输入到物体位置和类别的输出，输入图像经过一次Inference，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。检测速度非常快，但是准确率较低，误检率高，并无法满足实际需求。

(2)、SSD：SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制，使用全图各个位置的多尺度区域特征进行回归，既保持了YOLO速度快的特性，也保证了窗口预测的跟Faster-RCNN 一样比较精准。但是SSD需要人工设置网络层参数，优化比较依赖于经验，同时在小目标检测上并没有比较好的表现。

发明内容

为解决现有技术中的缺点和不足，本发明提出了基于注意力机制的小目标检测算法。

本发明的技术方案为：

一种基于注意力机制的小目标检测算法，在检测过程中加入了注意力机制，从而将注意力机制应用到不同通道的特征图上，增强对于识别有利的通道，抑制对于识别无用的通道。包括以下步骤：

步骤(1)、将图像输入RPN网络，提取预选区域；

步骤(2)、将步骤(1)中获取的区域输入FPN，提取多尺度的特征；

步骤(3)、将多尺度的特征输入注意力机制模块；

步骤(4)、在注意力机制模块中，通过两个全连接层和一个 Sigmod函数来计算特征通道的权值；

步骤(5)、将步骤(4)中获得的特征图输入ROI Align层；

步骤(6)、根据步骤(5)中得到的特征图，进行分类和回归，得到检测结果；

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于注意力机制的小目标检测算法的流程图。

图2为网络中的注意力机制模块示意图。