[发明专利]一种基于注意增强的双向特征金字塔网络的目标检测方法

说明书

本发明提出了一种基于注意增强的双向特征金字塔网络的目标检测方法，属于目标检测技术领域，用于解决传统SSD检测算法对小目标检测精度低、漏检率高等问题。本发明基于SSD目标检测算法，在特征提取网络VGG输出特征分支之后增加了注意增强双向特征金字塔网络。注意增强双向特征金字塔网络由双向特征金字塔网络和坐标注意力组成。双向特征金字塔网络通过自上而下和自下而上的路径分支来聚合不同分辨率的特征图，以至于在所有尺度特征图上都可以获得丰富的语义信息和细节信息。坐标注意力通过将位置信息嵌入到通道注意力中可以使网络把注意力集中在特征图中那些与目标相关的通道和位置，而这些包含丰富的语义信息和细节信息的特征图有助于坐标注意力更快地把注意力集中在与目标相关的通道和位置上，从而提升SSD目标检测算法对小目标的检测能力。

技术领域

本发明涉及目标检测的技术领域，特别是指一种基于注意增强双向特征金字塔网络的目标检测方法。

背景技术

目标检测主要是对输入图像中的物体类别和位置进行判断,实质上是图像分类和目标定位的结合,是计算机视觉领域中的一个重要研究方向。目标检测在人脸识别、无人驾驶等领域取得了广泛的应用。近年来,由于卷积得经网名的发展和硬件算力的提升,基于深度学习的目标检测取得了突破性的进展。

虽然在目标检测方面已经取得了很大的进展，但是在实际生产中广泛应用的小目标检测问题一直没有得到很好的解决。这主要是因为小物体占用的空间少，像素有限。另外，经过多次卷积和池化后，特征图中的小目标的特征信息损失严重，导致检测器无法准确检测到小目标。因此，Liu等人在SSD中提出了的典型金字塔结构。典型的金字塔层次结构创造性地使用较低层次的特征用于较小的目标检测，较高层次的特征用于较大的目标检测。但我们知道，浅层特征包含丰富的细节信息，而深层特征包含更多的语义信息。因此，SSD方法不能在单个特征映射中获得足够的小目标细节和语义信息，难以实现对小目标的良好检测性能。为了解决这一问题，许多研究开发了多尺度特征融合以获得更丰富的特征表示。除了融合不同尺度的特征外，注意机制对于小目标的检测也有很大的提高。注意机制可以学习根据不同通道和位置代表目标的能力生成有区别的权值，并局部增强重要通道和位置，有利于小物体的定位和识别。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于注意增强双向特征金字塔网络的目标检测方法，首先利用双向特征金字塔网络融合不同尺度的特征以至于输出特征可以获得丰富的语义信息和细节信息，其次坐标注意力可以使网络把注意力聚焦在特征图中那些与目标相关的通道和位置上，进而提高目标检测算法对小目标的检测性能。

本发明的技术方案是这样实现的：

步骤一、图片输入到VGG网络中得到4层特征和

步骤二、和进入双向特征金字塔网络中，通过自上而下和自下而上的路径分支对不同尺度的特征进行融合，从而获得包含丰富的语义信息和细节信息的特征和

步骤三、和分别经过坐标注意力，得到注意特征图Y₃、Y₄、Y₅和Y₆。

步骤四、把坐标注意力输出的四层注意特征图Y₃、Y₄、Y₅、和Y₆送入预测模块进行分类和定位

步骤五、最后通过非最大抑制算法对冗余预测框进行过滤，形成最终的预测结果。

在所述的步骤二中，不同层特征的加权融合方式为：

采用快速规范化的融合去融合不同层特征，加权特征融合计算如下:

w_i≥0是通过在每个w_i后使用整流线性单元(ReLU)来保证的，∈用于避免数值的不确定性，其值为0.0001,I_i表示第i个输入特征的值。