CN115631427B 一种基于混合注意力多场景船舶检测分割方法 （西北工业大学）

一种基于混合注意力多场景船舶检测分割本发明公开了一种基于混合注意力多场景并通过在自下而上的路径使用了通道和空间注意力机制，从而使得特征图能够更好地响应区2选择遥感影像船舶数据集，将数据集分成训练集和测试集；对数据集使用ResNet101作为骨干网络进行初始化，然后利用FPN网络步骤2_2：FPN网络使用自底向上路径、自顶向下路行2倍上采样，上采样后得到的特征图与相应的特征图Ci通过逐元素相加操作进行特征融在MaskR_CNN网络中加入Bottom_up结构，接收由FPN网络步骤3_1：引入通道注意力机制和空间注意力机制为图像iWxH代表特征图F的第i个通道的特征；在对于特征图F的每个通道特征Fi上执行平均池化AveragePooling操作，将每个通道2C3先利用1X1卷积将有C个通道的特征图F整合到通道数为1的一张特征图M上：S步骤3_2：将空间注意力机制和通道注意力机制进行组合得到先通道再空间注意力单元CA_SA；该注意力单元是通过通道注意力单元CA和空间注意力单元SA按前后顺序串联而Ni样后的特征图与Pi+1逐元素相加以获得融合后的特征图Ni_half，然后将融合特征图Ni_half发然后再将这些regionproposals分别生成对应的ROI窗口，通过RoIAlign后得到对应的特anchors属于前景或者背景，再利用boundingboxregression修正anchors获得精确的步骤4_3：将步骤4_2中所获得特征分别传入Mask分支和全到Mask结果，通过两个并行的全连接层，输出该区域的分类得分以及对候选框再次进行boundingboxregression所述遥感影像船舶数据集为Airbus公司的用于语义分割任务的遥感影像船舶数所述数据增强处理为对训练图像进行随机水平4习的方法虽然在识别精度与实时性方面具有良好的表现，但很多算法具有一定的针对性，5特征金字塔{P2,P3,P4,P5}，通过利用浅层低级特征高分辨率和深层高级特征的高语义信[0024]其中Vi代表第i个通道经过平均池化后得到的特征；然后使用1×1大小的卷积核6[0033]步骤3_2：将空间注意力机制和通道注意力机制进行组合得到先通道再空间注意力单元CA_SA；该注意力单元是通过通道注意力单元CA和空间注意力单元SA按前后顺序串i图Ni_half发送到注意力单元模块CA_SA获取注意特征图Ni；最后获得新的特征金字塔{N2,[0036]在主干网络最终产生的featuremaps集合之上，使用RPN生成多个region判断anchors属于前景或者背景，再利用boundingboxregression修正anchors获得精确系提取候选框所对应的特征图，进入RoI池化层中将每个特征框池化到固定为H×W的尺行boundingboxregression获得检测框最7[0044]图1为本发明实施例标注格式转化示例，(a)原始图像，(b)语义分割格式标注，[0050]图7为本发明实施例船舶检测和分割的样本：(a)原始图像，(b)地面实况，(c)[0056]步骤A_1：使用Airbus公司为了探寻遥感影像中海面船舶目标的分割而创建的可8构的特征激活输出。将这些残差模块输出表示为{C2,C3,C4,C5}，对应于conv2、conv3、[0066]P5由特征图C5使用256通道数的1×1大小的卷积核卷积而来，对于其他级别的与相应的特征图Ci(2W×2H×C)(经过1×1卷积层将通道变为256)通过逐元素相加操作进[0072]其中Vi代表第i个通道经过平均池化后得到的特征。然后使用1×1大小的卷积核9[0078]然后，对特征图M的空间上执行Softmax运算，用M(l)表示空间位置l处的特征向机制和通道注意力机制进行组合得到了CA_SA(先通道再空间注意力单元)。该注意力单元征图F先经过通道注意力单元得到通道级别的注意性特征Fca,再将Fca送入到空间注意力后将融合特征图Ni_half发送到注意RPN生成多个regionproposals，然后再将这些regionproposals分别生成对应的ROI窗判断anchors属于前景或者背景，再利用boundingboxregression修正anchors获得精确关系提取候选框所对应的特征图，进入RoI池化层中将每个特征框池化到固定H×W的234[0099]每个特征图Ni(W×H大小)首先通过卷积核大小为3×3，来减小特征图空间大小，得到新的特征图，不妨称为然后