CN114529825B 用于消防通道占用目标检测的目标检测模型、方法及应用 （城云科技（中国）有限公司）

用于消防通道占用目标检测的目标检测模本申请提出了一种用于消防通道占用目标残差模块和一个3*3卷积；颈部多尺度特征融合网络，使用1*1卷积进行特征融合和特征通道统2KR20210072504A,2021US2022044094A1,2022.BottleneckStructureforEfficientClassificationbyFeatureAEnhancementMethodBasedonMuJianpingLietal.WMR-DepthwiseWaveletMulti-ResolutionDepthSeparableConvolutionalNe3依次连接的主干网络、颈部多尺度特征融合网操作后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输出的图像同尺度的尺度特征；其中颈部多尺度特征融合网络包括数量同于转置瓶颈残差模块的1*1应的1*1卷积中进行特征融合和特征通道统一化得到不同尺度的初始特征，不同尺度的所述初始特征经跳跃交叉融合模块进行高层语义信息和低层空间特征的融合得到不同尺度对应一转置瓶颈残差模块，其中位于首位的切片操作的输出经历3*3卷积后输入到对应的4.根据权利要求1所述的目标检测模型的构建方法，其特征在于48.一种目标检测模型，其特征在于，根据权利要求1到9.一种目标检测方法，基于依次连接的主干网络后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输出的特征在切不同尺度的尺度特征输入颈部多尺度特征融合网络中对应层级的1*1卷积中进行特征的跳跃交叉融合特征分别输入到上下文感知的注将待检测图像输入到消防通道占用目标检测模型中进行检测，若其中消防通道占用目标检测模型利用标记占有目标的消防通道的图像作为训练样本尺度特征获取单元，用于处理待检测图像得到不同尺度的尺度片操作后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输出的特5预测特征获取单元，用于处理不同尺度特征得到预颈部多尺度特征融合网络中对应层级的1*1卷积中进行特征融合和特征通道统一化得到不始特征的多层级特征融合层，同一层级的特征融合层包括依次连接的不同深度的深度层，序，所述处理器被设置为运行所述计算机程序以执行权利要求9所述的目标检测方法或权算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据执行权利要求9所6特征提取器转移到设计神经网络架构，与此同时自然语言处理(NLP)的神经网络设计走了7颈部多尺度特征融合网络包括数量同于转置瓶颈残差模块的1*1卷积、跳跃交叉融合模块以及上下文感知的注意力网络，不同尺度的尺度特征分别输入对应的1*1卷积中进行特征操作后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输出的图像[0016]不同尺度的尺度特征输入颈部多尺度特征融合网络中对应层级的1*1卷积中进行层级的跳跃交叉融合特征分别输入到上下文感知的注消防通道区域的待检测图像；将待检测图像输入到消防通道占用目标检测模型中进行检用标记占有目标的消防通道的图像作为训练8做空间信息的混合加权，且转置瓶颈残差模块中使用的7*7的深度可分离卷积放到了反瓶[0024]颈部多尺度融合网络利用1*1的卷积进行特征融合和特征通道统一，然后是深度9中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相颈部多尺度特征融合网络包括数量同于转置瓶颈残差模块的1*1卷积、跳跃交叉融合模块以及上下文感知的注意力网络，不同尺度的尺度特征分别输入对应的1*1卷积中进行特征的输出经历3*3卷积后输入到对应的转置瓶颈残差模块，其他切片操作的输出直接输入到瓶颈残差子模块的结构示意图，每组转置瓶颈残差子模块内包括依次连接的7*7深度可分[0044]值得一提的是，本方案的7*7深度可分离卷积置于转置瓶颈残差子模块的反瓶颈融合网络利用1*1卷积分别对主干网络输出的不同尺度的尺度特征进行特征融合和特征通初始特征在跳跃交叉融合模块中进行跳跃和交叉连接得到不同尺度的跳跃交叉融合特征，不同尺度的跳跃交叉融合特征分别输入到上下文感知的注[0048]在本方案中，低尺度的尺度特征输入到颈部多尺度特征融合网络的1*1卷积中得到低尺度的初始特征，高尺度的尺度特征输入到颈部多尺度特征融合网络的1*1卷积中得到高尺度的初始特征。图3中的初始特征M2为图2中的尺度特征C2输入到1*1卷积中处理得为7层，同一层级特征融合层内部以及不同层级的特征融合层之间采用跳跃层连接和跨尺[0052]在一具体实施例中，同一层级的特征融合层包括依次连接的不[0054]在“不同层级的特征融合层的奇数深度层采用下采样，偶数深度层采用上采样”[0061]本方案的初始特征在经历以上的跳跃交叉融合模块之后得到四个尺度的跳跃交码局部特征的位置信息和外观信息，注意力网络将上文中得到的跳跃交叉特征作为输入，学习调整特征中不同区域的重要性，从而得出局部区域的丰富的外观特征及其空间特征，[0064]同一跳跃交叉融合特征作为i行j列的候选区域被衍生出系统不同大小区域的候选区域rn，每一候选区域采用双线性插值的方式转换为统一大小的特征fn,不同特征fn彼bWb[0073]为了进一步加入空间排列相关的结构信息，将区域的上下文向量c转为区域序列输出的隐藏状态序列和当前层的区域序列融合后和上一层的上下文向量进行元素级相乘，[0082]第一，其中[hr-1,Sr]表示前一序列隐藏状态序列hr-1和当前区域序列Sr的特征堆t通过一个忘记门的σ(sigmoid)单元来处理的,它通过查看两者堆叠的特征信息来输出一个0到1之间的向量，该向量里面的0到1之间的值表示前一序列上下文向量cr-1中哪些态经过tanh层得到一个-1到1区间值的向量，该向量与输出门得到的判断条件相乘就得到[0085]值得一提的是，本专利中应用了显式正则化方法DropBlock和隐式正则化方法数实现高级语义信息和低级空间信息的充分交换，这种方式可以让不同尺度的特征彼此学操作后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输出的图像[0093]不同尺度的尺度特征输入颈部多尺度特征融合网络中对应层级的1*1卷积中进行层级的跳跃交叉融合特征输入到上下文感知的注操作的输出经历3*3卷积后输入到对应的转置瓶颈残差模块，其他切片操作的输出直接输可分离卷积和第一1*1卷积之间归一处理，第一1*1卷积和第二1*1卷积之间设置使用一层[0099]颈部多尺度特征融合网络利用1*1卷积分别对主干网络输出的不同尺度的尺度特[0100]在“不同尺度跳跃交叉融合特征输入到上下文感知的注意力网络输出预测特征”为训练样本对第一方面提到的目标检测模型进行训练，得到消防通道占用目标检测模型。[0107]其中消防通道占用目标检测模型利用标记占有目标的消防通道的图像作为训练[0111]利用标记占有目标的消防通道的图像训练后的消防通道占用目标检测模型在实像在切片操作后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输入颈部多尺度特征融合网络中对应层级的1*1卷积中进行特征融合和特征通道统一化得到[0120]关于目标检测方法的技术特征的可详见上述实施例的介绍，为tionSpecificIntegratedCircuit，简称为ASIC或者可以被配置成实施本申请实施例的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROMrasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROMDRAM其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存[0128]传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可切片操作后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输出