[发明专利]一种基于双语义注意力机制的高精度火焰定位方法及系统

权利要求书

1.一种基于双语义注意力机制的高精度火焰定位方法，所述方法包括：

步骤1)数据预处理，将训练所需图片按每组a张随机分成m组；

步骤2)随机读取一组图片，由具有n层结构的编码器对输入图像进行多层次特征提取，得到每一层对应的层级特征f_i，i∈[1,n]；

步骤3)将步骤2)中最后一层的层级特征f_n，进行全局和局部感知注意机制处理，捕获更丰富的高级语义和全局上下文信息，得到全局及局部语义融合特征f′_n；

步骤4)将编码器第i层输出的所述层级特征f_i，i∈[1,n-1]，与所述全局及局部语义融合特征f′_n进行交叉语义注意机制处理，优化局部空间细节信息，得到第i层的局部空间细节优化特征f_i^cc；

步骤5)将编码器第n-i层的局部空间细节优化特征与对应的第i层解码器的输出f_i-d进行融合处理后，得到解码器每层的输出特征对进行自优化机制处理，得到自优化输出结果o_i，其中，所述解码器第1层的输入为所述全局及局部语义融合特征f′_n经自优化机制处理后的输出f_in-d；

步骤6)对所述解码器最后一层的输出f_n-d，进行上采样，得到与原始输入图像相同分辨率的输出特征；

步骤7)对输出特征进行特征映射，并采用梯度下降法对模型中的参数进行更新；反复迭代，直至训练出最优参数组合；

步骤8)基于最优参数模型实现火焰定位；

所述步骤5)具体包括：

步骤5-1)将编码器部分得到的所述全局及局部语义融合特征f′_n经自优化处理后得到特征f_in-d，作为解码器第一层的输入；

步骤5-2)将f_in-d经解码器第一层解码后的输出f_1-d与编码器第n-1层得到的局部空间细节优化特征进行特征融合机制处理，得到特征将进行自优化机制处理，得到第一层的自优化输出结果o₁，作为解码器第二层的输入；

步骤5-3)将解码器前一层的自优化输出结果作为后一层的输入，执行与步骤5-2)相同的计算。

2.根据权利要求1所述的方法，其特征在于，所述全局和局部感知注意机制包括全局上下文分支和局部上下文分支；

所述步骤3)具体包括：

步骤3-1)利用卷积层对所述层级特征f_n进行特征压缩，得到密集特征所述卷积层的卷积核大小为3*3，步长为1，通道数为256；

步骤3-2)所述全局上下文分支包括自适应最大池化层和卷积核大小为1*1的卷积层，由所述自适应最大池化层将转换为语义向量v_s，v_s与进行通道乘法及卷积运算，得到全局上下文信息f_n^gc，计算公式如下：

其中，“gp”表示自适应最大池化处理，“⊙”表示通道乘法，“conv”表示卷积操作，“δ”表示ReLU激活函数；

步骤3-3)所述局部上下文分支由n个卷积核大小为3*3的卷积层堆叠而成，由所述局部上下文分支将转换为局部上下文权重w_lc，计算公式如下：

其中，stacked_conv表示堆叠的卷积层；

步骤3-4)利用w_lc对f_n^gc进行特征增强，得到增强后的特征f_glc，将f_glc进行卷积核大小为1*1的卷积运算，进行特征压缩，同时根据生成局部偏差b，由卷积运算的输出结果与局部偏差b计算得到所述全局及局部语义融合特征f′_n，计算公式如下：

f′_n＝δ(conv(f_glc))+b

其中，“⊙”表示点乘。