[发明专利]基于注意力机制深度学习网络的目标检测方法及装置

说明书

本发明提供一种基于注意力机制深度学习网络的目标检测方法，其特征在于，通过含有注意力机制模块的目标检测模型对待检测图像进行特征图提取并从中检测出目标的位置和类别，注意力机制模块包括：至少一个注意力模块M1，用于根据特征图生成相同大小注意力权重矩阵并作用于该特征图；至少一个注意力感受野模块M2，用于对特征图进行特征提取；以及至少一个注意力特征融合模块M3，用于对网络不同层次的特征进行融合。该目标检测方法在具有高检测准确率的基础上还保证了高检测速度，同时模型的结构简洁且计算量小。

技术领域

本发明属于计算机视觉以及人工智能技术领域，涉及一种在复杂生活的场景下的进行特定目标的检测的方法及装置，具体涉及一种基于注意力机制深度学习网络的目标检测方法及装置。

背景技术

在当前的计算机视觉领域，深度学习已经得到了快速的发展。使用基于卷积神经网络的模型方法，被广泛的应用在计算机视觉的各个领域，如目标检测、图像分类、语义分割、实例分割等任务。其中目标检测是一项十分重要而又充满挑战性的工作，目标检测任务可分为两个关键的子任务：目标分类与目标定位。

目标分类是指：将一张图片中包含的目标对象，目标对象为一个或多个，将其利用方法对其类别正确的进行一一对应识别，识别的方法是给包含的目标输出一组代表不同类别可能性的数值，使用最大的数值代表该类别。

目标定位是指：将图片的包含的一个或多个目标所在的位置，使用特定的形状进行标出，目前在该领域常用的方法是使用矩形框将包含的目标进行正确框出。

目前，目标检测已经在速度与精度上达到了很好的程度，现有的目标检测的方法主要分为一阶段模型和二阶段模型。一阶段模型是将目标检测问题定位为回归问题，将一张图片输入神经网络模型，经过非线性函数拟合直接回归得出目标的类别和位置。二阶段模型是将目标检测的问题分为两个步骤，第一个步骤是使用卷积模型先预提取包含目标的感兴趣区域，然后将感兴趣区域进行使用第二部分的网络模型进行分类与位置的回归。对于一阶段模型，其优势是检测速度快，但准确率还有待提升；相反的，对于二阶段模型，其优势是准确率高，但是检测速度很慢。

在一阶段模型中，为了提高目标检测的准确率，目前最常用的做法是增加神经网络模型的复杂度。然而，增加神经网络复杂度带来的问题也很大，一方面，在一定程度上限制了其速度优势，另一方面更大的模型意味着更多的计算量，对硬件设备的要求也越高。

发明内容

为解决上述问题，提供一种能够对待测目标图像进行目标位置和类别的检测、同时其中的注意力网络模块结构简洁、计算量小的目标检测方法，本发明采用了如下技术方案：

本发明提供了一种基于注意力机制卷积神经网络模型的目标检测方法，其特征在于，通过含有注意力机制模块的目标检测模型对待检测图像进行特征图提取并从中检测出目标的位置和类别，注意力机制模块包括：至少一个注意力模块M1，用于根据特征图生成相同大小注意力权重矩阵并作用于该特征图；至少一个注意力感受野模块M2，用于对特征图进行特征提取；以及至少一个注意力特征融合模块M3，用于对网络不同层次的特征进行融合，其中，注意力模块M1由shortcut支路、multi-branch支路以及合并层构成，shortcut支路用于将注意力模块M1的输入直接作为输出F或是将注意力模块M1的输入进行少许卷积处理为输出F并输出给合并层，multi-branch支路具有两个对称互补相反的分支结构，在分支结构对注意力模块M1的输入进行处理后，multi-branch支路还对两个分支结构的输出进行合并操作、使用卷积进行平滑操作、最后通过softmax得到输出W，合并层用于将输出F以及输出W合并后输出，注意力感受野模块M2包含基础部分以及卷积部分，基础部分用于对注意力感受野模块M2的输入通过多分支进行处理，卷积部分用于对基础部分的输出通过连接操作层、卷积操作层以及注意力模块M1进行处理，注意力特征融合模块M3用于下采样操作、特征融合操作、注意力模块M1以及融合之后的平滑卷积操作对输入进行处理。