CN114202672B 一种基于注意力机制的小目标检测方法 （南京理工大学）

本发明公开了一种基于注意力机制的小目意力并对多层间的信息进行融合，使用改进的FPN进行多尺度预测，使得模型不仅能检测出小2①在特征融合的过程中使用双线性插值的上采样方③CBAM模块的处理流程分为两阶段：首先是进行通④经过CBAM模块后，对特征进行拼接实现特征融数据量不大于一万的时候将训练集、验证集以及测试集划分为3:1:1；若是数据量大于一3特征提取网络使用改进的Resnet网络，整个特征将Resnet网络的BottleNet网络架构分解成多个均匀的分支结构，参考深度可分离卷i)为各个分支的神经网络前向传播公式，wi为各个特征提取网络还包括卷积模块和池化模块：卷积模块的目的42为P11与P22的中点；②中所述在进行特征图融合时，采用一种基于通道和空间注意共享W0后使用ReLU函数作为激活函数，F表示特征图，AvgPool(·)为平均池化函数，③中所述CBAM模块的处理流程分为两阶段：首将通道注意力模块输出的特征图作为空间注意力模块的输入特征图；5利用卷阶层以及池化层构建小目标预测网络将训练集中的图像送入步骤2构建的卷积神经网络中，图像的具体训练过L.s(p,p')=-log1-p)(10)LS(p,p;)=-log(p,)(11)6在上述卷积神经网络的训练过程中，一次迭代的7[0001]本发明属于生物特征认证技术领域，涉及一种基于注意力机制的小目标检测方寸目标的检测一直是目标检测任务中一个极具挑战且重要8[0006]随着深度学习技术的发展，深度学习方法被应用于目标检测，2014年Girshick、Donahue等人首次将深度学习引入到目标检测并提出R-CNN网络，只有又出现的FastR-仅仅简单的将骨干网络得到的特征图与去自顶向下上采样得到特征图进行简单的叠加得和空间注意力的模块即CBAM模块，将CBAM模块嵌入到特征金字塔网络FPN中进行多尺度预9和空间注意力的模块即CBAM模块，将CBAM模块嵌入到特征金字塔网络FPN中进行多尺度预[0030](1.2)对小目标数据集进行预处[0032](1.3)在划分训练集、测试集和[0035](2.2)构建特征融合网络，将特征提取[0041]将Resnet网络的BottleNet网络架构分解成多个均匀的分支结构，参考深度可分[0046]特征提取网络还包括卷积模块和池化模块：卷积模块的[0047]将上述的卷积模块、池化模块以及改进残差模块，按照表1格式构建特征提取网2122分别是双线性插值法中待插入位置4个P212为P11与P22的中点。[0066]将输入的特征图F(H×W×C)分别经过全局最大池化和全局平均池化，得到两个1层神经元个数为C。而后，将两层的神经网络输出的特征进行基于element-wise的加和操[0067]将通道attention模块输出的特征图作为本模块的输入特征图。首先做一个基于过后获得特征图。自顶向下的过程通过上采样的方式将顶层的小特征图。放大到上一个[0112]由于采集到的自然场景下的图像数据和数据集中的图像数据与预期样本存在很[0118](1.3)在划分训练集、测试集和[0134]在深度卷积网络中浅层网络提取的特征具有较深层网络提取的特征的分辨率高、块，通道注意力模块(CAM)(其结构如图5所示)和空间注意力模块(SAM)(其结构如图6所[0147]将输入的特征图F(H×W×C)分别经过全局最大池化和全局平均池化，得到两个1层神经元个数为C。而后，将两层的神经网络输出的特征进行基于element-wise的加和操线性插值的丰富将该特征图放大到与改进后的原始特征图相同的尺寸。最后使用1x1卷积将两个相同尺寸的特征图进行融合从而获得最终改进后的测网络由两部分组成，一个是判断该anchor产生的候选框是否为目标的二分类任务网络，LS(p,p;)=-log(l-p)ma=R(,-i)(17)