[发明专利]一种基于注意力机制的改进HRnet

权利要求书

1.一种基于注意力机制的改进HRnet，其特征在于：当输入F作为输入特征图时，增加注意力机制模块attention block，并对注意力机制模块进行以下2个操作：

表示在通道维度上做注意力提取的操作，即建立通道注意力机制模型，表示的是在空间维度上做注意力提取的操作，即建立空间注意力机制模型。

2.根据权利要求1所述的基于注意力机制的改进HRnet，其特征在于：所述的通道注意力机制模型为：原始特征图X_in 经过卷积核大小分别为3X3，5X5的卷积操作，得到特征图U和特征图V，然后相加得到特征图F，特征图F融合多个感受野的信息，其形状为[C,H,W]，其中，C代表通道，H代表高度，W代表宽度，然后沿着H和W维度求平均值和极大值，通过两个pooling函数以后总共得到两个一维矢量；然后对两个一维矢量进行元素相加，最终得到了关于通道的信息是一个1×1×C的一维向量，代表的是各个通道的信息的重要程度；对1×1×C一维向量进行一个线性变换，将原来的C维映射成Z维的信息，然后将映射成Z维的一维向量再分别使用了2个线性变换，从Z维变为原来的C维，从而完成了针对通道维度的信息提取，然后使用Softmax进行归一化，这时候每个通道对应一个分数，代表该通道的重要程度，这相当于一个mask；将这2个分别得到的mask分别乘以对应的特征图U,V，得到特征图U’，V’；然后对特征图U’和V’这2个模块相加，进行信息融合，得到最终模块X_out。

3.根据权利要求1所述的基于注意力机制的改进HRnet，其特征在于：空间注意力机制模型为：输入原始特征图X_in经过池化特征，其中池化特征包含3个池化层，分别是平均池化,最大池化和条纹池化，池化特征经过1X1的卷积操作，实现通道降维，得到通道数为1的特征图，该特征图经过Sigmoid函数，与输入原始特征图 X_in进行逐元素分别进行点乘，得到输出X_out。