CN110533084A 一种基于自注意力机制的多尺度目标检测方法 （长安大学）_第1页
CN110533084A 一种基于自注意力机制的多尺度目标检测方法 （长安大学）_第2页
CN110533084A 一种基于自注意力机制的多尺度目标检测方法 （长安大学）_第3页
CN110533084A 一种基于自注意力机制的多尺度目标检测方法 （长安大学）_第4页
CN110533084A 一种基于自注意力机制的多尺度目标检测方法 （长安大学）_第5页
已阅读5页，还剩17页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号一种基于自注意力机制的多尺度目标检测本发明公开了一种基于自注意力机制的多模块的自下而上和自上而下两种多尺度特征融2设置的通道注意力模块和空间注意力模块或依次设置的空间注意力模块和通道注意力模其次，根据所述目标样本的所有分辨率确定多尺最后，将基础网络的最后两层卷积层作为多尺度特征金其中，每个分辨率对应多尺度特征金字塔中的一层，获取覆盖训练样本集中目标样本的所有分辨率为：对训练样本集中的目标样本进行统计，3过滤后的第i+1层特征图加到经过3×3卷积对于空间注意力模块，其处理过程为：通过1×1的卷积4[0002]目标检测是计算机视觉领域的基础问题，目的是找出图像或视频中感兴趣的物流的目标检测算法主要分为两类：基于候选区域(RegionProposal)的检测算法和基于包[0003]基于候选区域的目标检测算法的思路是首先使用某种区域推荐方法提取所有兴模型进行改进，SPP-net使用空间金字塔池化(SpatialPyramidPooling，SPP)代替了R-RCNN使用ROIPooling代替R-CNN中比较耗时的区域推荐算法，而Faster-RCNN则在此基础用单个端到端的网络直接对整幅图像进行特征提取，而不是在每一个候选区域上单独进5[0010]其中，所述自注意力特征选择模块为并列的通道注意力模块和空间注意力模块、依次设置的通道注意力模块和空间注意力模块或依次设置的空间注意力模块和通道注意输入一个训练样本图像，训练样本图像经过特征提取金字塔进行卷积特征图的提取和融[0025]进一步地，所述训练样本图像经过特征提取金字塔进行卷积特征图的提取和融6特征图经过特征提取金字塔进行自下而上和自上而下的特征融合，输出融合后的特征图后将过滤后的第i+1层特征图加到经过3×3卷积处理[0036]本发明采用基于自注意力特征选择模块的自下而上和自上而下两种多尺度特征7[0054]本实施例中基础网络为ResNet网络时，获得的多尺度特征金字塔的尺度信息为设置的通道注意力模块和空间注意力模块或依次设置的空间注意力模块和通道注意力模[0057]本实施例中，自注意力特征选择模块为并列的通道注意力模块和空间注意力模8输入一个训练样本图像，训练样本图像经过特征提取金字塔进行卷积特征图的提取和融后将过滤后的第i+1层特征图加到经过3×3卷积处理[0072]为了验证本发明所述基于自注意力机制的多尺度目标检测方法的合理性和有效9的YOLO、YOLOv2、RON、SSD(网络结构如图1所示)、DSSD和R-SSD网络进行PASCALVOC[0076]采用本发明方法和传统SSD模型分别对密集小目标场景和上下文目标场景的检测

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论