[发明专利]一种基于注意力机制的图像检测方法

说明书

本发明公开了一种基于注意力机制的图像检测方法，可以通过注意力机制确定图片中感兴趣的区域，包括：采集图像，获取需要测试的图像数据集；将图像分成独立不重复的验证集和测试集；对验证集和测试集中的图像进行特征提取，获取需要的特征信息；基于Darknet53网络模型增加由通道注意力模块和空间注意力模块构成的SCSE模块，得到测试图像的模型；将验证集内的图像特征作为输入模型参数；将测试集内的图像特征作为输入模型参数；将测试集内图像的特征输入，获取相应的测试结果。本实验可以提高图片检测的精度，同时也能够提升检测的效率，提高资源的利用率。

技术领域

本发明是一种基于注意力机制的图片特征检测方法，涉及深度学习，涉及目标检测技术。

背景技术

自从深度神经网络算法首次在ImageNet数据集上大放异彩，物体检测领域逐渐开始利用深度学习来做研究。随后各种结构的深度模型被提出，数据集的准确率一再被刷新。实际上，深度学习模型在分类任务上将传统的方法远远地甩在身后。图像分类上明显的提升也带动了检测领域的快速发展。目标检测是检测领域的一种，目前已广泛的应用于交通监控、人机交互、精确制导等各个领域。目标检测方法可大概分为四种，基于模板匹配的方法，基于知识的方法，基于遥感图像分类技术(OBIA)的方法以及机器学习方法。基于使用的模板类型，模板匹配方法可被进一步的分为固定模板匹配和可变模板匹配方法两大类，其主要步骤包括模板生成和相似度度量。而基于知识的目标检测方法则通过使用先验知识如几何信息和纹理信息将目标检测问题转化为一个假设检验问题。基于遥感图像分类技术(OBIA)的方法主要包括图像分割和目标分类两个步骤，其中如何选择合适的分割尺度是影响目标检测效果的关键因素。

但是，在我们对图片进行相关的特征检测时，以往的检测方法容易受到图片内容的影响，对图片重要部分的特征进行提取与检测的精度不高，从而影响对图像的分析、匹配。

发明内容

本发明为了解决现有技术中存在的问题，提供一种。

为了达到上述目的，本发明提出的技术方案为：一种基于注意力机制的图像检测方法，包括如下步骤：

步骤1、获取目标数据集图像的信息，并作为图像样本；

步骤2、对目标数据集图像样本进行划分验证集和测试集；

步骤3、对目标数据集图像所划分的验证集和测试集进行特征提取，分别获得验证集和测试集内各图像的特征；

步骤4、在Darknet53网络模型中增加SCSE模块，并对模型进行训练得到图像检测模型；将验证集内图像的特征输入SCSE模块得到空间注意力特征，将空间注意力特征输入到接下来的卷积模块进行操作，并通过对图像检测模型验证，获取图片检测模型的参数；将测试集内图像的特征输入带参数的图片检测模型中，获取检测结果。

对上述技术方案的进一步设计为：所述步骤1中对目标数据集图像用检测工具进行标注，将图像的格式转化为检测需要的尺寸，进而获取图片检测后的信息。

所述步骤2中采用随机抽样的方式按验证集80％、测试集20％的比例将目标数据集图像样本划分为独立的验证集和测试集。

所述Darknet53网络包括53层卷积层，在网络的第26层卷积层后，添加SCSE模块。

本发明的有益效果为：

本发明由Darknet网络对数据集进训练，得到一个高效的训练结果，由此可以对图片内容进行快速定位，比以往的方法更高效，节省了大量时间；本发明在网络模型中加入注意力模块SCSE，可以更好的对图像中信息进行定位，提高检测精度；加入注意力模块SCSE，使得输出不同层的特征图更精确，优化了输出数据，使定位和分类的准确性得到提高，而且能够帮助模型对图像关键部分的检测并减少背景因素对检测产生的干扰影响，提升图片检测的精度，同时也能够提升检测的效率，提高资源的利用率。

附图说明