[发明专利]一种类注意力机制构建方法及目标检测方法

权利要求书

1.一种类注意力机制构建方法，其特征在于：

对小特征图上采样并进行运算得到上采样权值，作用于大特征图得到过渡特征图，对过渡特征图下采样并进行运算得到下采样权值，将下采样权值作用于小特征图，该方法构建的类注意力机制增强了小特征图的几何信息；

所述构建的类注意力机制的输入为不同大小分辨率的特征图；

所述小特征图是分辨率较小的特征图；

所述大特征图是分辨率较大的特征图；

所述对小特征图上采样是对小特征图补0填充后卷积（卷积核大小为3，步长1），得到上采样特征图；

所述进行运算得到上采样权值是利用Sigmoid函数对上采样特征图进行计算，得到上采样权值；

所述作用于大特征图得到过渡特征图是将上采样权值与大特征图逐元素相乘再相加，得到过渡特征图；

所述对过渡特征图下采样是对过渡特征图卷积（卷积核大小为3，步长2），得到下采样特征图；

所述进行运算得到下采样权值是利用Sigmoid函数对下采样特征图进行计算，得到下采样权值；

所述将下采样权值作用于小特征图是将下采样权值与小特征图逐元素相乘再相加。

2.目标检测方法，其特征在于，将权利要求1中所述构建的类注意力机制设计成算法模块，嵌入YOLOv3算法中，得到基于类注意力机制的YOLOv3算法，并用于目标检测；

所述将构建的类注意力机制设计成算法模块是用Python语言，将类注意力机制编写成程序模块；

所述嵌入YOLOv3算法中，得到基于类注意力机制的YOLOv3算法，是将程序模块分别嵌入到宿主算法YOLOv3骨干网络DarkNet-53的第一个模块和第二个模块之后；

所述用于目标检测包括以下步骤：

S1、用训练数据集对基于类注意力机制的YOLOv3算法进行模型训练，得到模型参数；

S2、加载模型参数，用测试数据集进行测试；

基于类注意力机制的YOLOv3算法进行模型训练包括以下步骤：

S101、设置初始学习率α=0.001，动量参数momentum=0.9，权重衰减系数γ=0.0005，每批图像数batchsize=4，交并比IOU（Intersection-over-Union）阈值，全体样本训练次数epochs=160；

S102、将DarkNet-53在ImageNet上进行预训练，得到模型预训练参数；

S103、将类注意力机制算法分别嵌入DarkNet-53第一个模块和第二个模块之后；

S104、加载模型预训练参数；

S105、从320，352，384，416，448，480，512，544，576，608，640共11个数中，随机抽取一个数作为输入图像的高和宽；

S106、将公共数据PASCAL VOC2007的训练集与验证集、PASCAL VOC2012的训练集与验证集（共计16551张图像）分成batchsize张一批，共4138批；

S107、向网络模型输入一批图像；

S108、对图像采用水平翻转、随机裁剪和随机仿射进行增强处理；

S109、用每张图像训练模型；

S110、完成一次批内样本迭代(iteration)训练；

S111、重复步骤S107，直至训练完所有分批图像；

S112、完成所有样本训练一次（1个epoch训练）；

S113、重复步骤S105，直至训练完所有epochs；

S114、得到基于类注意力机制的YOLOv3算法的模型参数；

加载模型参数，用测试数据集进行测试包括以下步骤：

S201、向基于类注意力机制的YOLOv3算法加载模型参数；

S202、输入公共数据PASCAL VOC2007测试集（共计4952张图像）图像；

S203、计算每张图像的预测框与原图像标记框的重合度交并比；

S204、比较与大小，，则预测成功，记录本次预测结果；

S205、预测完所有图像，根据记录结果，计算精准率P（Precision）和召回率（Recall）；

S206、画出PR（Precision-Recall）曲线图，在峰值点向左画一条线和上一个峰值的垂线相交，与横轴和纵轴形成封闭的图形，计算出此面积即为AP（Average Precision）；

S207、计算所有类别的AP，然后求其均值即为mAP，，C为类别数。