[发明专利]一种基于差异性空间注意力机制的实时目标检测方法

说明书

本发明公开一种基于差异性空间注意力机制的实时目标检测方法。包括：对空间注意力机制进行改进，提出了差异性空间注意力机制DSAM，通过卷积操作赋予特征图各通道不同的重要性和作用，实现了有效信息的保留和噪声信息的抑制。对Yolov4‑tiny进行改进，提出了DSAM‑Det目标检测模型，在CSPBlock模块中增加了差异性空间注意力机制，提升了模型提取特征的能力。采用目标检测数据集训练DSAM‑Det，训练集中样本为包含待检测目标的图片，标签为图片中目标的位置和类别，得到训练好的检测模型；将测试集的图片输入到训练好的检测模型，得到图片中目标的位置和类别。

技术领域

本发明属于目标检测领域，更具体的，尤其涉及一种基于差异性空间注意力机制的实时目标检测方法。

背景技术

目标检测是计算机视觉中最重要的任务之一。自从第一个无约束的实时人脸检测方法“Viola-Jones检测器”被提出以来，目标检测技术一直在不断发展。特别是近年来，随着深度学习的发展，物体检测方法的性能得到了极大的提高，在很多领域都有广泛的应用，如交通标志检测、人机交互、医学图像分析、自然场景检测等。

基于深度学习的目标检测可以分为两类：两阶段检测和一阶段检测，前者将目标检测视为一个由粗到细的过程，后者将目标检测视为一个一步到位的过程。典型的两阶段检测器包括RCNN、SPPNet、Fast RCNN、Faster RCNN和FPN等。典型的单阶段检测器包括Yolo系列、SSD、RetinaNet等。两级检测器和一级检测器都有复杂的网络结构和大量的参数，需要GPU(图形处理单元)进行实时目标检测。但在实际应用中，设备的计算能力和内存是有限的。因此，人们提出了许多轻量级的目标检测方法。

轻量级目标检测方法具有更简单的网络结构和更少的参数。它们可以满足在计算能力有限的平台上进行实时目标检测的要求。典型的轻量级方法包括Squeezenet系列、MobileNet系列、ShuffleNet系列，以及Yolo-tiny系列。

然而，现有的轻量级目标检测方法精度较低，容易出现误检和漏检，引入注意力机制可以缓解这个问题。

典型的主力机制包括SENet、SAM、Non-Local和GCNet等。其中，空间注意力机制SAM经常被使用，因为它关注的是物体的位置。但SAM忽略了每个通道在特征图中的不同重要性和作用。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于差异性空间注意力机制的实时目标检测方法，其目的在于保证实时性和的前提下，对于目标检测准确率与鲁棒性方面均有较大性能提升。

为实现上述目的，按照本发明的第一方面，提供一种差异性空间注意力机制DSAM，包括：

特征图在通道维度上通过最大池化和平均池化，得到两个特征矩阵，拼接两个特征矩阵输入到卷积层，卷积层中卷积个数和特征图的通道个数一致，卷积层输出权重矩阵，权重矩阵与特征图加权得到加权特征图。

有益效果：DSAM通过在加权过程中给这些通道分配不同的权重矩阵，使特征图的每个通道具有不同的重要性和作用，实现了对有效信息的保留和对噪声信息的抑制。

为实现上述目的，按照本发明的第二方面，提供一种新颖的实时目标检测模型DSAM-Det，包括：

所述DSAM-Det包括串联的CSPDarknet53-Tiny、FPN和Yolo-head。CSPDarknet53-Tiny包括CBL、CSPBlock和Maxpooling，其中CBL表示卷积和批量归一化操作，激活函数是leaky_relu。CSPBlock包括CBL、Grouping、Concatenation和DSAM。FPN包括CBL、Upsample和Concatenation。Yolo-head包含两个卷积块。