[发明专利]多尺度目标检测方法、模型、电子设备及其应用

权利要求书

1.一种多尺度目标检测方法，其特征在于，包括：

借助训练过的多尺度目标检测模型进行目标检测，所述多尺度目标检测模型包括依次连接的主干网络、双重注意力颈部模块和预测头部模块，主干网络的残差单元的卷积改进为双重多尺度注意力模块；

获取包含待检测目标的待检测图像；

所述待检测图像的第一卷积特征图通道被均分成不同部分，不同部分的所述第一卷积特征图通道经过3*3、5*5和7*7不同大小卷积核的内卷卷积得到不同感受野的卷积特征图后进行张量拼接并进行特征通道混洗后得到第一融合特征，所述第一融合特征分别进行空间维度建模和通道维度建模得到分支位置输出特征和分支通道输出特征，融合所述分支位置输出特征和所述分支通道输出特征得到第二卷积特征图；

所述第二卷积特征图经过一级内卷层后输入到至少两二级内卷层，自所述二级内卷层输出的输出特征图经过特征矩阵重塑后和其他所述二级内卷层的输出特征图依次融合得到位置融合特征图，所述位置融合特征图和所述第二卷积特征图相加得到所述位置注意力特征图；

所述第二卷积特征图进入双重注意力颈部模块的通道注意力模块中得到所述通道注意力特征图；

所述位置注意力特征图和所述通道注意力特征图堆叠后进行卷积操作得到第三卷积特征图；

所述第三卷积特征图输入预测头部模块得到待检测目标。

2.根据权利要求1所述的多尺度目标检测方法，其特征在于，“所述第一融合特征分别进行空间维度建模和通道维度建模得到分支位置输出特征和分支通道输出特征”包括：所述第一融合特征经过空间矩阵运算后输入空间注意力矩阵后得到一级位置特征，所述一级位置特征和经过特征矩阵重塑的所述第一融合特征进行融合得到二级位置特征；经过特征矩阵重塑的所述二级位置特征和所述第一融合特征进行融合得到所述分支位置输出特征。

3.根据权利要求1所述的多尺度目标检测方法，其特征在于，“所述第一融合特征分别进行空间维度建模和通道维度建模得到分支位置输出特征和分支通道输出特征”包括：所述第一融合特征经过通道矩阵运算后输入通道注意力矩阵后得到一级通道特征，所述一级通道特征和经过特征矩阵重塑的所述第一融合特征进行融合得到二级通道特征，经过特征矩阵重塑的所述二级通道特征和所述第一融合特征进行融合得到所述分支通道输出特征。

4.根据权利要求1所述的多尺度目标检测方法，其特征在于，“所述第二卷积特征图进入双重注意力进步模块的通道注意力模块中得到所述通道注意力特征图”包括：所述第二卷积特征图经过内卷层后输出不同通道特征图，所述不同通道特征图经过特征矩阵重塑后彼此融合得到通道融合特征图，所述通道融合特征图和所述第二卷积特征图相加得到所述通道注意力特征图。

5.根据权利要求1所述的多尺度目标检测方法，其特征在于，所述待检测目标为电梯内的非机动车或人脸关键点。

6.一种多尺度目标检测模型，其特征在于，包括：依次连接的主干网络、双重注意力颈部模块和预测头部模块，其中所述主干网络的残差单元的卷积改进为双重多尺度注意力模块，所述双重多尺度注意力模块用于将输入的第一卷积特征图通道均分成不同部分，并对不同部分的所述第一卷积特征图通道经过3*3、5*5和7*7不同大小卷积核的内卷卷积得到不同感受野的卷积特征图后进行张量拼接并进行特征通道混洗后得到第一融合特征，对所述第一融合特征分别进行空间维度建模和通道维度建模得到分支位置输出特征和分支通道输出特征，再融合所述分支位置输出特征和所述分支通道输出特征得到第二卷积特征图；

所述双重注意力颈部模块包括平行通道的位置注意力模块和通道注意力模块，所述位置注意力模块和所述通道注意力模块中内设置内卷卷积层，其中所述第二卷积特征图经过一级内卷层后输入到至少两二级内卷层，自所述二级内卷层输出的输出特征图经过特征矩阵重塑后和其他所述二级内卷层的输出特征图依次融合得到位置融合特征图，所述位置融合特征图和所述第二卷积特征图相加得到所述位置注意力特征图；所述通道注意力模块用于对所述第二卷积特征图进行通道维度建模得到通道注意力特征图，所述位置注意力特征图和所述通道注意力特征图堆叠后进行卷积操作得到第三卷积特征图；

预测头部模块用于对所述第三卷积特征图进行预测。