CN119155779B 基于自注意力与卷积深度学习融合的绿色基站节能方法 （华信咨询设计研究院有限公司）

基于自注意力与卷积深度学习融合的绿色本发明公开了基于自注意力与卷积深度学方法包括周期扫描时间节点采集监控第一视频2S2.采用自注意力与卷积深度学习融合的人物识别模型对第一视频图像进行人物识别通过骨干网络对输入图像分别提取输出各尺度空间通过特征融合颈部对各尺度空间的第一特征进行浅层特征交互，深骨干网络包括三个依次连接的高效层聚合模块，高效层聚合模强自注意力机制获取特征映射，并与该特征映射上层不同尺度特征映射堆叠输出第一特三元尺度序列融合模块包括三层分支，分别接收三层不同尺度第2.根据权利要求1所述的基于自注意力与卷积深度学习融合的绿色基站节能方法，其通过骨干网络将输入图像转换为多个不同尺度空间的特征映射，分别3.根据权利要求1所述的基于自注意力与卷积深度学习融合的绿色基站节能方法，其所述高效层聚合模块对输入信息进行逐点卷积和特征分离操作，操作后3所述局部全局混合自注意力机制包括三个输入支路，第一输入支路经过线性投影层，所述相对位置增强自注意力机制输入分别进入查询矩阵线性投影层行矩阵乘后与偏置量相对位置相加，经过softmax函数处理后与值矩阵线性投影层输出进行矩阵乘形成第一输出，参数矩阵线性投影层输出作用于tokens深度可分离卷积，经过4.根据权利要求2所述的基于自注意力与卷积深度学习融合的绿色基站节能方法，其5.根据权利要求4所述的基于自注意力与卷积深度学习融合的绿色基站节能方法，其所述浅层特征交互模块接收上一层和同层第一特征，及下一层浅层特征6.根据权利要求2所述的基于自注意力与卷积深度学习融合的绿色基站节能方法，其若是，根据任务移动轨迹确定人物即将出现的所在范围监控，7.根据权利要求1或6所述的基于自注意力与卷积深度学习融合的绿色基站节能方法，48.根据权利要求1或2或6所述的基于自注意力与卷积深度学习融合的绿色基站节能方9.根据权利要求1或2所述的基于自注意力与卷积深度学习融合的绿色基站节能方法，根据监控区域用户数计算用户预计容量需求，同时获取监控器区域用户实际容量需5[0007]S2.采用自注意力与卷积深度学习融合的人物识别模型对第一视频图像进行人物[0013]通过特征融合颈部对各尺度空间的第一特征进行浅层特6[0015]骨干网络将输入图像转换为多个不同尺度的空间分辨率较低但具有丰富语义信[0017]骨干网络将输入图像转换为多个不同尺度空间分辨率较低但具有丰富语义信息作，操作后分为第一支路和第二支路，第一支路经过N个倒置残差瓶颈处理后进入特征堆出进行矩阵乘后与偏置量相对位置相加，经过softmax函数处理后与值矩阵线性投影层输7[0033]通过线性投影层和压缩激励注意力得到自适应权重alpha并将其扩展为[B,1,相对位置偏置:SwinTransformer等方法，通过在注意力矩阵中引入额外的相对位置偏置制的数学公式：相对位置增强自注意力机制通过引入一个参数矩阵Vrel将token转换为新张量由相对位置索引。相对位置增强自注意力机制还保留了相对位置偏置B以赋予模型更8特征至后部下一层深层特征交互模块以及输出至下文感知模块可能捕捉到空间关系并生成更息与来自同一层以及骨干网络中下一层的高分辨率浅层特征，旨在保留丰富的定位细节，9[0049]空间上下文感知模块，设计目的是在跨通道和空间维度抑制无用的背景特征。结构由三个分支组成，使用全局平均池化（GAP）和全局最大池化频图像中人物的运动趋势，根据人物的运动趋势以判断是否即将超出当前视频图像范围，[0083]本实施例一种基于自注意力与卷积深度学习融合的绿色基站节能方法，如图1所[0085]S2.采用自注意力与卷积深度学习融合的人物识别模型对第一视频图像进行人物[0100]进一步的对当前视频图像进行人物行为模式分析，当分[0102]DeepSORT：DeepSORT是一种结合了深度学习特征提取和传统的SORT（Simple[0106]Two_streamConvolutionalNetworks：这种算法结合了RGB图像流和光流[0108]DeepPersonRe_ID：这类算法可以通过学习跨摄像头视图的身份不变特征来识周边的摄像头覆盖范围，从而能够调取周边摄像头的视频图像以确定该人物是否移动过可以根据摄像头捕捉视频帧的频率来设定延迟时间，如摄像头每隔一分钟捕捉一次视频前图像范围的人物，此时重新对监控即摄像头计算的人数来统计各监控区域的用户人数，根据用户人数对基站资源进行动态调整。同时还对第二视频图像中人物进行运动趋势分际容量需求与用户预计容量需求进行比较，若用户实际容量需求大于用户预计容量需求，[0140]通过特征融合颈部对各尺度空间的第一特征进行浅层特[0142]骨干网络将输入图像转换为多个不同尺度的空间分辨率较低但具有丰富语义信过每个倒置残差瓶颈单元的输出被保留并最终连接在一起。倒置残差瓶颈单元的具体结间，网络并行运行n个不同大小的深度卷积。该模块通过将大核卷积与几个小核卷积并行合输出经过线性投影层变换后与原始输入相加形成残差连接，通过层归一化处理输出信[0158]通过线性投影层和压缩激励注意力得到自适应权重alpha并将其扩展为[B,1,影层输出进行矩阵乘后与偏置量相对位置相加，经过softmax函数处理后与值矩阵线性投相对位置偏置:SwinTransformer等方法，通过在注意力矩阵中引入额外的相对位置偏置制的数学公式：相对位置增强自注意力机制通过引入一个参数矩阵Vrel将token转换为新张量由相对位置索引。相对位置增强自注意力机制还保留了相对位置偏置B以赋予模型更下文感知模块可能捕捉到空间关系并生成更息与来自同一层以及骨干网络中下一层的高分辨率浅层特征，旨在保留丰富的定位细节，深度可分离卷积后再与同层浅层特征相堆叠[0175]空间上下文感知模块，设计目的是在跨通道和空间维度抑制无用的背景特征。结构由三个分支组成，使用全局平均池化（GAP）和全局最大池化[0177]训练数据制作：在监控视频中找出L段不同地点不同时间不同天气的含有行人的[0195]设置建议：通过观察训练和验证集上的损失值和指标变化来选择合适的迭代次域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替