[发明专利]被遮挡物体检测网络模型的训练方法、装置、设备及介质

权利要求书

1.一种被遮挡物体检测网络模型的训练方法，其特征在于，包括如下步骤：

获取目标图像；

提取所述目标图像中多尺度的语义特征；

基于所述多尺度的语义特征，使用空间金字塔网络获得目标检测候选区域框；

将所述目标检测候选区域框对应的第一候选区域进行RoIAlign处理，将所述目标检测候选区域框映射在所述目标图像中；

利用非极大值抑制的方法从映射后的所述目标图像中选取第二候选区域，将经过RoIAlign操作产生的映射在所述目标图像上的第二候选区域进行Concat连接；

将所述第二候选区域利用掩码指导注意力增强分支生成像素级注意力图，并将所述像素级注意力图用于调节RoIAlign后的多通道卷积特征，最终得到被遮挡物体检测网络模型；其中，所述被遮挡物体检测网络模型包括边界回归预测分支和类别预测分支。

2.根据权利要求1所述的被遮挡物体检测网络模型的训练方法，其特征在于，所述将所述目标检测候选区域框对应的第一候选区域进行RoIAlign处理的步骤，具体包括：

遍历每一个所述第一候选区域，保持浮点数边界不做量化，将所述第一候选区域分割成k×k个单元，每个单元的边界不做量化；

在每个单元中计算固定四个坐标位置，用双线性内插的方法计算出坐标位置的值，然后进行最大池化操作，将每个尺度得到的候选区域框映射在输入的目标图像上。

3.根据权利要求1所述的被遮挡物体检测网络模型的训练方法，其特征在于，所述将所述第二候选区域利用掩码指导注意力增强分支生成像素级注意力图的步骤中，所述掩码指导注意力增强分支生包括空间注意掩码生成与特征调节，所述空间注意掩码是通过对输入特征F_r进行卷积降维并结合relu、sigmoid激活方法得到，之后使用特征融合操作，利用空间注意掩码F_pm逐像素对输入特征F_r进行空间信息的增强与抑制。

4.根据权利要求3所述的被遮挡物体检测网络模型的训练方法，其特征在于，所述空间注意掩码的生成方法如下：

对特征图F_r通过两次3×3×C卷积操作、一次1×1×1卷积操作、两次relu激活及sigmoid激活进行特征降维；得到空间注意掩码F_pm，维度为H×W×1，且特征值处于0～1之间。

5.根据权利要求3所述的被遮挡物体检测网络模型的训练方法，其特征在于，所述空间注意掩码F_pm的目标约束如下：

其中，i，j表示F_pm与mask中横坐标与纵坐标，F_pm(i，j)与mask(i，j)分别表示该像素的预测值与标注值。

6.根据权利要求3所述的被遮挡物体检测网络模型的训练方法，其特征在于，在生成空间注意掩码F_pm后，经过空间注意掩码F_pm对特征图F_r进行空间特征调节。

7.根据权利要求6所述的被遮挡物体检测网络模型的训练方法，其特征在于，所述在生成空间注意掩码F_pm后，经过空间注意掩码F_pm对特征图F_r进行空间特征调节的步骤，具体如下：

使用生成的空间注意掩码F_pm作为残差权重项，沿空间维度对特征图F_r进行加权，最终利用算数相加进行融合：

调整后的特征图F_m维度与原始输入特征图F_r保持一致，均为H×W×C；

上式中与分别表示空间注意掩码F_pm及调节后的特征F_m中第i通道的特征值；⊙表示逐像素相乘。