[发明专利]目标检测网络优化方法、目标检测方法、装置和存储介质

说明书

本发明公开了一种目标检测网络优化方法、目标检测方法、装置和存储介质，所述优化方法基于通道注意力机制的多通道注意力机制(CASSPP)方法，对特征图中重要目标特征信息从局部到全局的双重关注，并最终都作用在通过空间金字塔池化SPP和通道注意力机制融合后的特征图上，能够满足目标检测当中需要的较大的感受野，也能够更好的关注需要检测的目标。本发明方法使目标检测模型能够在学习的过程中既关注特征图通道的重要性，又关注到特征图空间上不同区域的重要性，同时能够扩大感受野，能够有效的提高目标检测的性能。

技术领域：

本发明属于计算机科学人工智能领域，具体涉及一种基于多通道注意力机制的注意力方法，用于目标检测中对重要特征信息的关注。

背景技术：

注意力机制是目标检测中的一个重要的提高精确度的方法，其目的让深度学习网络学会更加关注图像中重要的一些区域，从而能够提高目标检测的精度。

在图像处理、自然语言处理等不同类型的机器学习任务中，通道注意力机制都起到了重要的作用。通道注意力机制是从特征通道之间的关系入手，显式地建模特征通道之间的相互依赖关系，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去增强有用的特征并抑制对当前任务用处不大的特征，让网络利用全局信息有选择的增强有益特征通道并抑制无用特征通道，从而能实现特征通道自适应校准。现有方法中使用通道注意力思想的有SEnet，CBAM，DAnet等，在SEnet中首先通过squeeze操作，对空间维度进行压缩，紧接着就是excitaton操作，利用权重来学习通道的相关性。最后将exciation的输出看作是每个通道的重要性，通过乘法加权的方式乘到先前的特征上。CBAM中则是将通道注意力机制与空间注意力机制串联，其中使用到的通道注意力机制基本方法与SEnet类似，通过学习的方式自动获取每个特征通道的重要程度。在DAnet中，则是将通道注意力机制以及空间注意力机制进行并联融合，其中的通道注意力机制则是通过self-attention的方法来表达，对每个通道之间都建立了连接关系，达到通道加权的目的。

发明内容：

为了解决现有方法通道注意力在目标检测当中应用的局限性，不能够对不同区域进行不同的加权，不能够充分的筛选出重要的通道信息以及目标检测中需要的较大的感受野，本文提出了多通道注意力机制的方法，在扩大感受野的同时，能够给特征图中不同区域加上不同通道信息权重，使目标检测网络能够更好的检测到所需目标。

一种目标检测网络的优化方法，该方法具体包括：

1)使用通道注意力机制，获取目标检测网络中的通道权重；

2)使用空间金字塔池化SPP以及通道注意力机制，扩大目标检测网络中特征图的感受野；

3)将1)和2)的结果相乘后，在空间维度上进行拼接，进行局部到整体的通道加权。

进一步地，所述步骤1)包括：对原始特征图进行区域划分，各区域分别通过通道注意力机制来获得不同的通道权重，将不同区域得到的通道权重进行空间上的拼接。

进一步地，对不同区域分别使用通道注意力机制，公式如下：

P′_ij＝sigmoid(FC2(FC1(M(P_ij)+A(P_ij))))

其中P′_ij为P_ij对应的通道权重，P_ij为原始特征图的第i行第j列区域，M表示最大池化操作，A表示平均池化操作，FC1和FC2均表示1×1卷积操作。

进一步地，所述步骤2)包括：对原始特征图使用空间金字塔池化SPP，并在每个池化层后嵌入通道注意力机制，最后将获得的新特征图与原始特征图在通道维度上进行拼接。