[发明专利]基于级联注意力与点监督机制的全卷积考场目标检测方法

权利要求书

1.一种基于级联注意力与点监督机制的全卷积考场目标检测方法，其特征在于由下述步骤组成：

(1)构建全卷积考场目标检测网络模型

在Pytorch框架下，将基于级联注意力的特征增强模块的特征提取网络输出与采用点监督分支(4-4)的检测模块连接构成基于级联注意力与点监督机制的全卷积考场目标检测网络模型；

点监督分支(4-4)的构建方法为：在训练阶段以置信度P认为各目标中心点附近的区域属于该目标的中心点，将以目标中心C为圆心、(1-P)为半径生成中心点区域，并将中心点区域的标签置为1，其余区域置为0，使用二进制交叉熵损失函数对该分支进行监督；

所述的基于级联注意力与点监督机制的全卷积考场目标检测网络模型由骨干网络(1)、级联注意力模块(2)、特征金字塔网络(3)、全卷积检测头部模块(4)四部分组成，骨干网络(1)的输出与级联注意力模块(2)的输入相连，级联注意力模块(2)的输出与特征金字塔网络(3)的输入相连，特征金字塔网络(3)的输出与全卷积检测头部模块(4)的输入相连；

所述的级联注意力模块(2)由3个级联注意力层组成，该级联注意力层以骨干网络(1)的特征图作为输入，通过空间注意力机制SA得到具有空间注意力的一级特征F’；将该特征与原始输入特征图拼接并进行卷积操作，得到二级特征F”；重复该操作，将二级特征再次与原始输入特征图拼接并卷积，得到三级特征F”’；对一级特征、二级特征、三级特征进行拼接融合，将融合后的特征输入至通道注意力机制CA中，得到输出特征F_output，其表达式如下：

式中F为输入特征图，符号为特征图拼接操作，Conv为两次1×1的卷积操作；

(2)训练全卷积考场目标检测网络模型

(a)设置网络的超级参数

从标准化考场考生检测专用数据集中取700张图像作为训练集，180张图像作为测试集，训练集输入图像的像素大小为1000×600，数据批量为2，采用随机梯度下降法作为全卷积考场目标检测网络模型的优化器，学习率初始设置为0.005～0.015并且在第35～40轮迭代处下降10倍，全卷积考场目标检测网络模型共训练45～50轮；

(b)网络参数的初始化

采用ImageNet数据集对骨干网络ResNet50进行预训练得到权重和偏置，将权重和偏置作为特征提取网络的初始权重和偏置，其他的网络均使用Xavier方法初始化；

(c)训练全卷积考场目标检测网络

将训练集中的所有图像输入全卷积考场目标检测网络进行前向传播并计算损失函数，损失函数是分类损失和回归损失的和，其中分类损失由得分图损失、Center-ness损失、点监督损失组成，回归损失为交并比损失，使用自适应矩估计算法降低损失值来进行反向传播，反复循环前向传播和反向传播，并更新全卷积考场目标检测网络的权重和偏置，直至达到设定的迭代次数，训练结束，得到训练好的全卷积考场目标检测网络；

(3)检测测试集图像

(a)设置网络参数

设置区域置信度输出阈值为0.05，单张图最大检测目标数为100，其他参数均为网络默认值；

(b)将测试集中的图像输入训练好的全卷积考场目标检测网络中，输出考场目标检测的结果图。

2.根据权利要求1所述的基于级联注意力与点监督机制的全卷积考场目标检测方法，其特征在于：所述的全卷积检测头部模块(4)由分类分支和回归分支组成，分类分支由分类卷积模块(4-1)、分类得分图(4-2)、Center-ness热力图(4-3)和点监督分支(4-4)组成，回归分支由回归卷积模块(4-5)、距离信息图(4-6)组成。