[发明专利]一种基于深度特征融合和注意力机制的实时目标检测方法

权利要求书

1.一种基于深度特征融合和注意力机制的实时目标检测方法，其特征在于，包括如下步骤：

建立具有轻量注意力模块MAB、残差网络Res、基础卷积网络Conv的轻量级深度网络MAFFNet；其中:

通过若干个轻量级注意力模块单元MAB对采集图像进行卷积运算处理得到初步特征图；

通过残差网络Res对初步特征图进行8层残差网络处理后原图进行拼接残差所得到的残差数据模型；

通过端到端的训练策略对残差数据模型进行训练、验证、测试过程获得轻量级深度网络MAFFNet性能数据。

2.根据权利要求1所述的一种基于深度特征融合和注意力机制的实时目标检测方法，其特征在于，

所述轻量注意力模块MAB是以MobileNet为基础网络通过载入SE模块的通道注意力机制与特征融合机制相结合构成；所述轻量注意力模块MAB对图像处理过程：

对原始图像经过卷积核大小为1x1的卷积运算，并针对不同的特征通道采用不同的卷积核进行卷积运算；

对运算得到的特征图组进行全局平均池化、全卷积，得到的数值结果与自身的特征图进行相乘，得到融合通道注意力机制的特征图；

将此特征图通过h-switch激活函数进行线性激活得到最终的特征图结果。

3.根据权利要求1所述的一种基于深度特征融合和注意力机制的实时目标检测方法，其特征在于，所述轻量级深度网络MAFFNet性能数据训练过程：

利用PASCALVOC数据集和coco数据集，对轻量级深度网络结构MAFFNet进行预训练获得预训练模型；

通过螺丝钉训练样本数据集和标签输入预训练模型，利用误差计算出损失从而对预训练模型进行反向训练；

通过验证数据集对预训练模型进行验证获得目标检测训练模型；

将螺丝钉的测试数据集和标注完成的标签数据对目标检测训练模型训练获得准确率和所用时间；

将螺丝钉训练集、验证集、测试集，输入传统目标检测模型R-CNN、Fast R-CNN、FasterR-CNN；YOLO、YOLOv2、YOLOv3、SSD321，进行对比实验；统计对比实验的数据结果，对各个模型的检测准确率和检测所用时间进行比较获得轻量级深度网络MAFFNet的性能数据和结论。