CN114821462B 基于多分支并行混合空洞编码神经网络的目标检测方法 （西安电子科技大学）

基于多分支并行混合空洞编码神经网络的本发明涉及一种基于多分支并行混合空洞并行混合空洞编码神经网络利用并行混合空洞用解码预测网络和注意力无锚预测网络得到两2将所述待测图像输入至训练完成的多分支并行混合空洞编码神经网其中，所述多分支并行混合空洞编码神经网络是基于多所述多分支并行混合空洞编码神经网络包括：若干依次连接的下采样所述编码-解码模块用于将特征细化后的注意特征图编码为编码信息矩阵，并与所述所述分类预测模块用于对所述融合解码特征图进行卷积操作述第一检测结果包括所述待测图像的类别概率和目其中，所述注意力无锚预测网络包括若干个并行连述注意力混合空洞卷积模块与所述分支结构的并行混合空洞编码神经网络所述注意力混合空洞卷积模块对输入的所述增强特征图进行分类以及所述目标框坐标信息通过concat合并和Reshape操作后得到的二维特征向量，作为第所述下采样模块用于对输入的图像进行下采样得到低层特征图；所述并行和所述第二检测结果得到所述待测图像的最2.根据权利要求1所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其的所述第一空洞卷积层具有不同的空洞率和不同的卷所述第二分支链路包括依次连接的第一LayerNorm层、第一多头注意力模块、第一3的输出与所述第一Dropout层的输出相乘后作为所述第二LayerNorm层的输入，所述第二LayerNorm层的输入与所述前馈神经网络的输出相乘后作为所述第二Dro3.根据权利要求1所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其所述编码-解码模块包括依次连接的Encoder-Decoderattention模块、第四所述第二前馈神经网络的输出相乘后作为所述第四Dropout4.根据权利要求1所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其5.根据权利要求1所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其特征在于，根据所述第一检测结果和所述第二检测结果得到所述待测图像的最终检测结通过NMS操作融合所述第一检测结果和所述第二检测结果，对所述第一检测结果和所6.根据权利要求1所述的基于多分支并行混合空洞编码神经网络的目标检测方法，其giou表示预测目标框与真实标记框之间位置偏差的损失函数，Lbce表示预测目标giouflbce表示各损失函数分量的对应系数。4[0009]其中，所述多分支并行混合空洞编码神经网络是基于多所述训练样本包括利用无人机拍摄得到的图像以及其对应的个所述下采样模块的输出端连接一个并行混合空洞编码神经网络，形成并行的分支结构，述分支结构的并行混合空洞编码神经网络的输出端均与注意力无锚预测5[0013]所述第一分支链路以多个比例对输入的所述低层特征图进行图像上下文信息的每一个第一卷积单元中的所述第一空洞卷积层具有不同的空洞率和不同的的输出与所述第一Dropout层的输出相乘后作为所述第二LayerNorm层的输入，所述第二LayerNorm层的输入与所述前馈神经网络的输出相乘后作为所述第二Drop[0017]所述注意力模块用于对输入的所述增强特征图进行全局所述解码预测网络输入的所述增强特征图相乘实现自适[0018]所述编码-解码模块用于将特征细化后的注意特征图编码为编码信息矩阵，并与[0020]在本发明的一个实施例中，所述注意力模块包括依次连接的第二多头注意力模块、第一通道和空间注意力模块、第三LayerNorm层和第三Dropout层，其中，所述第三Dropout层的输出与所述注意力模块的输入相乘后作为所述注意[0021]所述编码-解码模块包括依次连接的Encoder-Decoderattention模块、第四所述第二前馈神经网络的输出相乘后作为所述第四Dropout块，所述注意力混合空洞卷积模块与所述分支结构的并行混合空洞编码神经网络对应连6信息以及所述目标框坐标信息通过concat合并和Reshape操作后得到的二维特征向量，作[0025]在本发明的一个实施例中，所述注意力混合空洞卷积模块包括依次连接的卷积[0027]通过NMS操作融合所述第一检测结果和所述第二检测结果，对所述第一检测结果flbce表示各损失函数分量的对应系数。多分支并行混合空洞编码神经网络利用并行混合空洞编码神经网络对输入图像进行特征结果的融合得到最终检测结果，该目标检测方法能够提高无人机对地面小目标的检测精[0034]上述说明仅是本发明技术方案的概述，为了能够更清楚[0035]图1是本发明实施例提供的一种基于多分支并行混合空洞编码神经网络的目标检7[0045]在本实施例中，待测图像为通过搭载摄像头的无人机拍摄采集得到的小目标图样本包括利用无人机拍摄得到的图像以及其对应的类分支结构，第一个分支结构的并行混合空洞编码神经网络的输出端与解码预测网络连接；其他分支结构的并行混合空洞编码神经网络的输出端均与注意力无锚预测8[0059]将初始特征图和注意力加权特征图通过concat合并特征通道，得到增强特征络和第二Dropout层，第一LayerNorm层的输出与第一Dropout层的输出相乘后作为第二LayerNorm层的输入，第二LayerNorm层的输入与前馈神经网络的输出相乘后作为第二示，本实施例的解码预测网络包括依次连接的注意力模块、编码-解码模块和分类预测模9网络输入的增强特征图相乘实现自适应特征细化；编码-解码模块用于将特征细化后的注二前馈神经网络的输出相乘后作为第四Drop[0072]在本实施例中，Encoder-Decoderattention模块用于将特征细化后的注意特征[0074]请结合参见图5，图5是本发明实施例提供的注意力无锚[0076]在本实施例中，注意力无锚预测网络包括3个并行连接的注意力混合空洞卷积模flbce表示各损失函数分量的对应系数。