[发明专利]一种雾天车辆检测方法及设备

权利要求书

1.一种雾天车辆检测方法，其特征在于，包括：

获取雾天车辆图像，根据所述雾天车辆图像建立数据集，并确定所述雾天车辆图像的标签，根据所述标签确定标签文件；

对所述数据集进行数据增强，并根据预先设置的特征层尺寸对数据增强后的所述数据集进行主干特征提取，以得到特征层组，其中，所述特征层组包括多个特征层；

将所述特征层组输入注意力机制模块，以确定所述特征层组的重要程度，并根据所述重要程度对所述特征层组进行抑制处理；

通过加强特征提取网络对所述特征层组进行特征提取和特征融合，以得到有效特征层组，并将所述有效特征层组输入至回归预测网络中，以通过所述回归预测网络根据所述有效特征层组获得检测结果。

2.根据权利要求1所述的方法，其特征在于，将所述特征层组输入注意力机制模块，以确定所述特征层组的重要程度，具体包括：

确定所述特征层组的多个对应通道，通过所述注意力机制模块对所述通道进行全局平均池化，以将所述特征层组的全局空间信息压缩到对应所述通道中，从而获得全局描述特征；

根据所述全局描述特征通过全连接层对所述特征层组进行降维，并通过ReLU进行激活，以通过所述全连接层对激活后的所述特征层组恢复原始维度，再通过Sigmoid激活函数获得所述特征层组的权值；

根据所述权值确定特征图，以获得所述通道对应的重要程度。

3.根据权利要求2所述的方法，其特征在于，将所述特征层组的全局空间信息压缩到对应所述通道中，从而获得全局描述特征，具体包括：

计算所述全局描述特征的公式为：

其中，z_c为全局描述特征，F_sq()为Squeeze操作函数，u为三维特征矩阵，c为所述通道的通道数，u_c为u中第c个二维矩阵，H为所述特征层的长，W为所述特征层的宽。

4.根据权利要求3所述的方法，其特征在于，根据所述全局描述特征通过全连接层对所述特征层组进行降维，并通过ReLU进行激活，以通过所述全连接层对激活后的所述特征层组恢复原始维度，再通过Sigmoid激活函数获得所述特征层组的权值，具体包括：

计算所述权值的公式为：

s＝F_ex(z,W)＝δ(g(z,W))＝δ(W₂δ(W₁z))，

其中，

s为u中第c个特征层的权重，F_ex()为Excitation操作函数，δ为ReLU函数，g为采用Sigmoid形式的gating机制，r为降维系数。

5.根据权利要求4所述的方法，其特征在于，根据所述权值确定特征图，具体包括：

计算所述特征图的公式为：

其中，表示所述特征图，F_scale(u_c,s_c)为特征映射和标量的乘积，s_c为权重。

6.根据权利要求1所述的方法，其特征在于，根据预先设置的特征层尺寸对数据增强后的所述数据集进行主干特征提取之前，所述方法还包括：

确定预先设置的步长和通道数，并根据所述步长和所述通道数确定主干特征提取网络，以通过所述主干特征提取网络对所述数据集进行主干特征提取。

7.根据权利要求6所述的方法，其特征在于，所述注意力机制模块的数量为三个，分别为第一注意力机制模块、第二注意力机制模块和第三注意力机制模块，其中，所述第一注意力机制模块和所述第二注意力机制模块位于所述主干特征提取网络与所述加强特征提取网络之间，所述第三注意力机制模块位于所述加强特征提取网络内部；

所述特征层组包括第一特征层和第二特征层；

所述方法还包括：

确定所述主干特征提取网络输出的所述第一特征层和所述第二特征层，将所述第一特征层输入所述第一注意力机制模块，将所述第二特征层输入所述第二注意力机制模块，以获得所述第一特征层对应的权值和所述第二特征层对应的权值。