[发明专利]基于多分支并行混合空洞编码神经网络的目标检测方法

权利要求书

1.一种基于多分支并行混合空洞编码神经网络的目标检测方法，其特征在于，包括：

获取待测图像；

将所述待测图像输入至训练完成的多分支并行混合空洞编码神经网络中，得到所述待测图像的最终检测结果；

其中，所述多分支并行混合空洞编码神经网络是基于多个训练样本训练得到的，所述训练样本包括利用无人机拍摄得到的图像以及其对应的类别标签；

所述多分支并行混合空洞编码神经网络包括：若干依次连接的下采样模块，每一个所述下采样模块的输出端连接一个并行混合空洞编码神经网络，形成并行的分支结构，第一个所述分支结构的并行混合空洞编码神经网络的输出端与解码预测网络连接；其他所述分支结构的并行混合空洞编码神经网络的输出端均与注意力无锚预测网络连接；

所述下采样模块用于对输入的图像进行下采样得到低层特征图；所述并行混合空洞编码神经网络用于对所述低层特征图进行特征提取，得到增强特征图；所述解码预测网络用于对输入的所述增强特征图进行分类检测，得到第一检测结果；所述注意力无锚预测网络用于对输入的所述增强特征图进行分类检测，得到第二检测结果；根据所述第一检测结果和所述第二检测结果得到所述待测图像的最终检测结果。

2.根据权利要求1所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其特征在于，所述并行混合空洞编码神经网络包括：并行的第一分支链路和第二分支链路，其中，

所述第一分支链路以多个比例对输入的所述低层特征图进行图像上下文信息的捕捉，得到初始特征图；所述第二分支链路用于对输入的所述低层特征图进行全局感知的注意力权重分配，得到注意力加权特征图；将所述初始特征图和所述注意力加权特征图通过concat合并，得到所述增强特征图。

3.根据权利要求2所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其特征在于，所述第一分支链路包括若干个依次连接的第一卷积单元，所述第一卷积单元包括依次连接的第一空洞卷积层、第一BN层和第一Mish激活函数层，每一个第一卷积单元中的所述第一空洞卷积层具有不同的空洞率和不同的卷积核尺寸；

所述第二分支链路包括依次连接的第一LayerNorm层、第一多头注意力模块、第一Dropout层、第二LayerNorm层、第一前馈神经网络和第二Dropout层，所述第一LayerNorm层的输出与所述第一Dropout层的输出相乘后作为所述第二LayerNorm层的输入，所述第二LayerNorm层的输入与所述前馈神经网络的输出相乘后作为所述第二Dropout层的输入。

4.根据权利要求1所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其特征在于，所述解码预测网络包括依次连接的注意力模块、编码-解码模块和分类预测模块，其中，

所述注意力模块用于对输入的所述增强特征图进行全局感知的注意力权重分配，并沿着通道和空间两个独立的维度依次进行推断，得到注意特征图，并将该注意特征图与所述解码预测网络输入的所述增强特征图相乘实现自适应特征细化；

所述编码-解码模块用于将特征细化后的注意特征图编码为编码信息矩阵，并与所述并行混合空洞编码网络输出的所述增强特征图进行融合解码，得到融合解码特征图；

所述分类预测模块用于对所述融合解码特征图进行卷积操作，得到所述第一检测结果，所述第一检测结果包括所述待测图像的类别概率和目标框坐标信息。