[发明专利]一种多尺度注意力特征检测方法

说明书

本发明公开了一种多尺度注意力特征检测方法，方法包括：通过计算机的硬件资源构建单次目标检测器，其中，单次目标检测器包括基础网络、新增卷积层和预测层；于新增卷积层上加入多个注意力分支以增强检测特征的特性，并构建并行的多尺度注意力特征检测模型，训练单次目标检测器；根据训练单次目标检测器而得到的参数训练并行的多尺度注意力特征检测模型；将待检测图像输入至多尺度注意力特征检测模型，并计算得到检测结果；在单次目标检测器的新增卷积层上加入多个注意力分支，可联合上下文信息和注意力特征，提升检测效果，具体的，使用本方法在VOC2007数据集上可达到78.6％的效果。

技术领域

本发明涉及计算机视觉及智能图像识别领域，具体涉及一种多尺度注意力特征检测方法。

背景技术

目标检测是目前机器视觉中的一项基本且核心的技术。目标检测的任务即是在大量的图像中确定所感兴趣的目标物体或人物，同时确定该目标的类别及在图像中的位置。

目标检测拥有极高的应用价值及广阔的应用前景。其应用领域包括：无人驾驶、智能交通中目标的检测、智能问答系统、人脸检测和医学图像检测等。此外，在智能安防领域，目标检测可实现安全帽、救生服等目标的动态检测，还可实现目标入侵、离开检测等功能。

目前，目标检测领域得到了广泛发展，提出了RCNN、SPP、fast/faster RCNN和YOLO等目标检测方法；根据检测过程中的阶段，可以将上述目标检测方法分为两大类：一阶段(One stage)目标检测方法和两阶段(Two stage)目标检测方法。

这两类方法的主要区别在于：Two stage目标检测算法首先需要对图像进行预选区域生成(一个可能含有待检测目标的预选框)，然后对目标进行分类及定位；而One stage不需进行预选区域生成，直接在图像中提取特征来对目标进行分类及定位。

Two stage目标检测算法中最具代表性的是Fast/Faster RCNN算法，这类算法包括特征提取、区域选择、目标分类和定位。该方法取得了很高的检测精度，但在检测速度方面表现较差。如Faster RCNN方法，于2016年即能精确地实现了目标检测，但在图像处理方面大概需要0.2s，对于实现实时检测来说，实用性较差。其原因是Faster RCNN在前馈过程中能产生2000多个供选择区域从而导致大量的计算，最终影响检测的速度。

One stage目标检测算法则通过简单的锚点省略了预选区域生成这一过程；通过这种方式使得目标检测变成一种端到端的过程。One stage方法在速度上较Two stage方法有很大的优势。比如YOLO算法能达到155FPS的速度，但其缺点是检测的精度较低。

例如，SSD是One stage目标检测算法中的一种，SSD的检测效果一般。

发明内容

本发明的主要目的是提供一种多尺度注意力特征检测方法，旨在解决现有技术中SSD的检测效果一般的问题。

一种多尺度注意力特征检测方法，包括：

一种多尺度注意力特征检测方法，包括：

通过计算机的硬件资源构建单次目标检测器，其中，所述单次目标检测器包括基础网络、新增卷积层和预测层；

于所述新增卷积层上加入多个注意力分支以增强检测特征的特性，并构建并行的多尺度注意力特征检测模型，其中，每个所述注意力分支为上一层元素点乘检测得到的特征提供一个注意力区域掩膜，每一个所述检测得到的特征包含检测过程中的上层信息和下层信息；

训练所述单次目标检测器；

根据训练所述单次目标检测器而得到的参数训练所述并行的所述多尺度注意力特征检测模型；

将待检测图像输入至所述多尺度注意力特征检测模型，并计算得到检测结果。