[发明专利]一种基于注意力机制的改进HRnet

说明书

一种基于注意力机制的改进HRnet模型，其特征在于：当输入F作为输入特征图时，增加注意力机制模块，并对注意力机制模块进行以下2个操作：采用上述技术方案的本发明，具有以下有益效果：本发明专利在原有的HRnet模型基础之上，增加注意力机制模型，使得改进后的HRNet用于心肺复苏按压动作过程中的人体姿态检测，以及为心肺复苏医学考核中假人胸部，头部等实例分割模型提供精确的主干网络，提高了模型的检测精度。

技术领域

本发明涉及一种改进型算法，具体涉及一种基于注意力机制的改进HRnet模型。

背景技术

心脏骤停严重威胁人们的生命健康，开展优质的心肺复苏（CPR,cardiopulmonary resuscitation）可显著提升患者存活率，同时也是挽救患者生命的重要手段。美国心脏协会（AHA, American Heart Association）和国际复苏联络委员会（ILCOR,International Liaision Committee on Resuscitation）将高质量的心肺复苏术作为复苏的核心[1]。目前常规的心肺复苏训练、考核方式为应用医学模拟人并由裁判打分评判。这样做存在几个弊端，比如考官评判主观性强，不够客观；在考核评判过程中考生具体的按压深度、频率等均依赖模拟人本身的质量条件，考官很难评判；训练过程中学员需要考官时时监督配合来纠正和提高自身的操作，大量消耗培训和考核的人力成本等等。

现有技术在获取了考生的按压图像之后，由于按压动作是一个动态过程，无法根据按压图像判断考生按压姿态是否合格，这就给自动评判带来了困难。

同时，在对图像特征进行提取时，需要根据实际情况分割不同的模型。对于每一个模型，由于图像数据量大，保证模型的精度才能更好地实现人体姿态识别，因此，如何提供模型精度是一个亟待解决的问题。

发明内容

本发明要解决的技术问题是：如何提供模型的精度，提供一种基于注意力机制的改进HRnet模型。

为解决上述技术问题，本发明采用以下技术方案：

一种基于注意力机制的改进HRnet模型，其特征在于：当输入F作为输入特征图inputfeature map时，增加注意力机制模块attention block，并对注意力机制模块attentionblock进行以下2个操作：

表示在通道维度上做注意力提取的操作，即建立通道注意力机制模型，表示的是在空间维度上做注意力提取的操作，即建立空间注意力机制模型。

所述的通道注意力机制模型为：原始特征图X_in经过卷积核大小分别为3X3，5X5的卷积操作，得到特征图U和特征图V，然后相加得到特征图F，特征图F融合多个感受野的信息，其形状为[C,H,W]，其中，C代表通道，H代表高度，W代表宽度，然后沿着H和W维度求平均值和极大值，通过两个pooling函数以后总共得到两个一维矢量；然后对两个一维矢量进行元素相加，最终得到了关于通道的信息是一个1×1×C的一维向量，代表的是各个通道的信息的重要程度；对1×1×C一维向量进行一个线性变换，将原来的C维映射成Z维的信息，然后将映射成Z维的一维向量再分别使用了2个线性变换，从Z维变为原来的C维，从而完成了针对通道维度的信息提取，然后使用Softmax进行归一化，这时候每个通道对应一个分数，代表该通道的重要程度，这相当于一个mask；将这2个分别得到的mask分别乘以对应的特征图U,V，得到特征图U’,V’；然后对特征图U’和V’这2个模块相加，进行信息融合，得到最终模块X_out。