[发明专利]一种基于注意力特征增强模块的道路目标检测方法

说明书

本发明公开了一种基于注意力特征增强模块的道路目标检测方法，属于目标检测技术领域。本发明首先构建卷积神经模块对原始图像中的待检测道路目标进行特征提取，获取不同尺寸的输入特征图；然后构建包含CBAM注意力机制和语义增强分支的注意力特征增强模块，对获取的特征图进行特征增强；最后，基于增强后包含深层语义信息和浅层纹理信息的特征图采用解耦头进行分类回归，完成对目标的检测。BDD100K数据集检测结果表明，本发明公开的方法平均精准率提高1.8%；PASCAL VOC 2007数据集检测结果表明，本发明公开的方法平均精准率提高0.6%。

技术领域

本发明属于目标检测(Object detection)技术领域，具体涉及一种基于注意力特征增强模块的道路目标检测方法。

背景技术

随着汽车保有量的不断增加，出行安全问题日益凸显，基于计算机视觉的自动驾驶技术为交通问题提供了新的解决思路，得到越来越多国家的重视和研究。传统的目标检测算法对道路目标进行检测时，缺乏对特征有区别的筛选，存在漏检率高、召回率低等问题，因此提高复杂交通场景下道路目标检测算法的精度具有重要意义。

深度卷积神经网络由于能够自主完成对目标特征的学习，提取关键信息，因而具有较强的鲁棒性。近年来，基于卷积神经网络的目标检测模型主要有目标候选框思路和回归思路两种思路，对应生成的算法被称为两阶段算法和单阶段算法。以R-CNN、Fast R-CNN、Faster R-CNN 和R-FCN等算法为代表的两阶段检测算法，首先进行目标候选框的提取，再利用检测网络基于提取的候选框完成模型训练。以SSD、YOLO、YOLOv3等算法为代表的单阶段检测算法，直接通过检测网络回归目标的类别和位置信息，具有更高的检测速度。然而，由于不同特征图甚至同一特征图内不同区域对目标的贡献程度都不相同，目前检测算法获得的特征总是具有广泛性和冗余性，并不能精准的满足任务的需求。

发明内容

为解决上述问题，本发明公开了一种基于注意力特征增强模块的道路目标检测方法，增加了注意力机制以有区分地提取目标特征，增加任务感兴趣性区域特征的表达，同时添加语义增强分支以传播语义强的特征，相较于其他先进的目标检测算法，可以有效提升道路目标的检测精度。

为达到上述目的，本发明的技术方案如下：

一种基于注意力特征增强模块的道路目标检测方法，包括以下步骤：

步骤1、获取待检测道路目标的图像信息；

步骤2、构建卷积神经网络，在所述图像信息中提取表征道路目标的特征，获得不同尺寸的输入特征图；

步骤3、构建注意力特征增强模块，所述注意力特征增强模块包括CBAM注意力机制、语义增强分支，通过注意力特征增强模块对步骤2所得输入特征图进行特征增强，提高任务感兴趣区域的特征表达，获得包含深层语义信息和浅层纹理信息的特征图；

步骤4、基于步骤3所得增强后的特征图，采用解耦输出头进行分类和回归，输出检测结果。

如前所述一种基于注意力特征增强模块的道路目标检测方法，进一步地：步骤1.3所述构建注意力特征增强模块具体步骤包括：

步骤1.3.1、将尺寸大小为原始图像1/32的输入特征图输入到CBAM模块中获得特征图将进行卷积运算、批归一化和激活函数处理后进行上采样，获得尺寸大小为原始图像 1/16的语义增强特征图

步骤1.3.2、将尺寸大小为原始图像1/16的输入特征图与语义增强特征图进行加和运算获得特征图将输入到CBAM模块中获得特征图将特征图与特征图在通道维度上进行拼接操作，获得尺寸大小为原始图像1/16的语义增强特征图

步骤1.3.3、将增强特征图输入CSPLayer单元中，将获得的特征图进行卷积运算、批归一化和激活函数处理后进行上采样，获得尺寸大小为原始图像1/8的语义增强特征图