CN114049532B 基于多阶段注意力深度学习的风险道路场景识别方法 （交通运输部公路科学研究所）

基于多阶段注意力深度学习的风险道路场本发明公开了一种基于多阶段注意力深度提出基于多阶段注意力机制深度卷积神经网络意力机制深度卷积神经网络的风险道路场景识别模型；实时采集车辆前进方向的场景图像数别，可以有效判定车辆行驶经过的风险场景类2(2)利用线性差值法将所述步骤(1)采集的所述数字图像信息变换为尺寸299×299×3(4)将步骤(2)变换得到的所述三维张量输入到步骤(3)训练好的所述风险道路场景识所述多阶段注意力机制的深度卷积神经网络由输入层、卷积网络，残且所述卷积网络中的注意力网络是在三个卷积块之后依次连接通所述残差网络包括7层顺序连接的残差网络结构，其中前6层的残差网络前6层残差网络结构，第7层的残差网络结构是将注意力网络的输出和第7层残差网络的输2.根据权利要求1所述的风险道路场景识别方3.根据权利要求1所述的风险道路场景识别方法，训练所述基于多阶段注意力机制深度卷积神经网络采用迁移学习的方法，利用已经在ImageNet数据集上训练过的深度卷积神经网络InceptionResnetV2的模型参数进行参数初始化，通过构建的具有多种道路风险场景的样本库进行模型训练优化，采用交叉熵作为损失函数Loss(θ)，34.根据权利要求1所述的风险道路场景识别方法段注意力机制的深度卷积神经网络中的注意力机制由通道注意力机制和空间注意力机制5.根据权利要求1所述的风险道路场景识别阶段注意力机制卷积神经网络的输出结果与真实的场景分类序号的交叉熵分类误差函数6.根据权利要求1所述的风险道路场景识别方法，其中，4[0008](2)利用线性差值法将步骤(1)采集的数字图像信息变换为尺寸299×299×3的三[0010](4)将步骤(2)变换得到的三维张量输入到步骤(3)训练好的风险道路场景识别模[0014]进一步的，步骤(3)中的深度卷积神经网络中的卷积网络是由三个卷积块顺序连5[0017]进一步的，步骤(3)中的深度卷积神经网络中的卷积网络阶段的注意力网络是在SpatialDropout2D和卷积核大小是1×1、激活函数是PReLU的卷积层作为注意力机制输出形成前6层残差网络结构，第7层的残差网络结构是将注意力网络的输出和第7层残差网络(θ)，m＝16是批次样本数[0020]进一步的，步骤(3)中的深度卷积神经网络中的注意力机制由通道注意力机制和场景分类序号的交叉熵分类误差函数L，进而通过优化算法对整个神经网络中的参数不断6[0024](1)本发明提出了一种基于多阶段注意力机制的深度卷积神经网络的风险道路场险场景数据集上进行了测试，平均准确率(AP)达到91.906种场景下的平均AUC为[0035]如图1，本发明中基于多阶段注意力机制深度卷积神经网络的风险道路场景识别7[0041]其多阶段注意力机制的深度卷积神经网络中的卷积网络是由三个卷积块顺序连衰减层SpatialDropout2D和卷积核大小是1×1、激活函数是PReLU的卷积层作为注意力机个softmax函数作为分类器，θ是分类器参数通过训练取得，通过取softmax函数的最大值得到每个类的分类似然值，然后取似然值最大值的类别为该样本的注意力网络(如图5所示)。如图4中的通道注意力网络的通道共享全连接层1和通道共享全连接层2的神经元数量与输入特征的通道数量一致。通道注意力网络计算方法如式(1)所8[0052]通道注意力网络和空间注意力网的激活层采用的激活函数是hard[0059]更具体而言，训练基于多阶段注意力机制深度卷积神经网络采用迁移学习的方法，初始化模型参数采用，深度卷积神经网络InceptionResnetV2网络模型在数据集景分类序号的交叉熵分类误差函数L，进而通过优化算法对整个神经网络中的参数不断进9[0066]将图像输入到训练好的基于多阶段注意力机制深度卷积神经网络的风险道路场[0067]我们使用平均准确率(AP,AveragePrecision),AUC(AreaUnderROCCurve)值[0071](2)通过该模型是由卷积网络和残差网络组合而成，并且分别在卷积阶段和残差[0072](3)在卷积阶段和残差网络阶段添加注意力