[发明专利]一种基于注意力机制的改进YOLOv3目标检测方法

说明书

本发明公开了一种基于注意力机制的改进YOLOv3目标检测方法，在主干网络Darknet‑53中引入注意力模块SKNet，根据输入自适应调整卷积核大小，聚焦到感兴趣区域；在特征提取网络的顶部引入空间金字塔池化模块SPP，增加网络的感受野；在特征融合网络中引入通道注意力模块SENet，为通道分配权重，充分提取通道的有效特征信息。实验表明，该发明相较于原始YOLOv3模型，可以有效检测小目标，加快训练的收敛速度，并在检测速度不受太大影响的前提下提高检测精度。

技术领域

本发明涉及一种基于注意力机制的改进YOLOv3目标检测方法，属于图像处理中的目标检测技术领域。

背景技术

目标检测作为图像理解和计算机视觉的基石，它是解决分割、场景的理解、目标的追踪、图像描述、事件检测和活动识别等更具有复杂性和更高层次的视觉任务的基础。目标检测在人工智能和信息技术等很多领域都有广泛的应用，如安保、人机交互、自动驾驶、机器人视觉、消费电子产品、基于内容的图像检索、智能视频监控和增强现实。

目前，基于深度学习的一系列目标检测算法大致可以分为两大流派：

1.两步走(two-stage)算法：先产生候选区域然后再进行CNN分类(R-CNN系列)，

2.一步走(one-stage)算法：直接对输入图像应用算法并输出类别和相应的定位(YOLO系列)。

之前的R-CNN系列虽然准确率比较高，但是即使是发展到Faster R-CNN，检测速度也仅为7FPS(原文为5FPS)，而YOLO系列则在兼顾准确率的基础上大大提升了检测速度，使得检测的工作能够用到实时的场景。YOLO的检测思想不同于R-CNN系列的思想，它将目标检测作为回归任务来解决。YOLO神经网络在一次预测中，直接从完整图像预测出目标位置和概率，是一种端到端的网络结构。

YOLOv3是当前应用较多的一种目标检测方法，对YOLO做出了很多改进，使得网络在小目标检测和检测精度上都得到了较好的改善，并且检测速度并没有受到太大影响，依然符合检测实时性要求。但YOLOv3仍存在以下问题：目标定位的精度不高；训练收敛速度慢；小目标检测错误率较高。

发明内容

本发明的目的是提供一种基于注意力机制的改进YOLOv3目标检测方法，一定程度上可以有效检测小目标，加快训练的收敛速度，并在检测速度不受太大影响的前提下提高检测精度。

为达到此目的，本发明采用以下技术方案：

本发明所述的一种基于注意力机制的改进YOLOv3目标检测方法，包括以下步骤：

S1：针对一张原始图像，对其进行预处理，并归一化为416×416×3，得到训练样本；

S2：修改Darknet-53的网络结构，在每个残差层Basic Block模块中均引入自适应卷积核大小的注意力机制；

S3：在Darknet-53顶部引入空间金字塔池化模块SPP，以增加特征提取网络的感受野；

S4：用改进后的Darknet-53网络提取图像特征，并从网络的不同深度引出三个尺度的特征图(feature map)至特征融合支路；

S5：在三条特征融合支路中引入通道注意力机制，为通道分配权重，充分提取通道的有效特征信息；

S6：最后在三条支路上分别预测，得到多尺度目标检测结果。

作为本发明的进一步技术方案，所述步骤S1中，预处理方式包括随机旋转、水平翻转和标准化处理。

作为本发明的进一步技术方案，所述步骤S2中，在残差层Basic Block模块中引入自适应卷积核大小的注意力机制的方法为：