[发明专利]一种基于双边注意力机制的复杂背景下目标检测方法

权利要求书

1.一种基于双边注意力机制的复杂背景下的目标检测方法，其特征在于，该方法包括如下步骤：

步骤S1：根据公开的复杂背景下的目标检测数据集，构建训练集、验证集和测试集；

步骤S2：构建基于双边注意力机制的Bi-SINet网络模型，利用所构建的训练集对Bi-SINet网络模型进行监督训练，直到模型收敛到最优性能；

步骤S3：将收敛的Bi-SINet网络模型在所构建的测试集上进行测试，根据检测结果评估模型性能。

2.根据权利要求1所述一种基于双边注意力机制的复杂背景下的目标检测方法，其特征在于，所述步骤S1中目标检测数据集包含数据集COD10K、数据集CAMO和数据集CHAMELEON。

3.根据权利要求1所述一种基于双边注意力机制的复杂背景下的目标检测方法，其特征在于，所述步骤S2具体包括：

步骤S201：对训练数据进行预处理，首先利用双线性插值法将原始图像大小调整为384×384，并调整对应的真实标签，随后进行图像数据增强处理，最后将图像进行归一化处理后输入Bi-SINet网络模型进行训练；

步骤S202：Bi-SINet网络模型对输入图像进行特征提取，随后将提取到的多层特征输入渐进式的检测框架中进行检测；渐进式的检测框架会基于每层特征进行前景目标分割，共输出N个不同尺度的检测结果，用来表示，k＝0，1，...，N-1；

步骤S203：在训练阶段，采用交叉熵损失函数和交并比损失函数对模型输出的N个检测结果进行监督训练，总体损失函数可以用L_overall来表示，其计算公式为：

其中，表示第k层检测结果与真实标签之间的结构加权后的交叉熵损失，则表示第k层检测结果与真实标签之间的结构加权后的交并比损失，它们的计算表达式分别为：

其中，H表示图像高度，W表示图像宽度，和mask_GT(x,y)分别表示第k层预测结果和真实标签中位置坐标为(x,y)的值，γ是和结构权重相关的参数，w(x,y)表示坐标为(x,y)的位置对应的结构权重，其表达式如下：

其中，A_xy表示坐标为(x,y)的像素周围像素的集合；

步骤S204：在训练过程中，采用随机梯度下降优化算法对网络参数进行迭代更新，同时以多项式法对学习率进行衰减；训练过程中，间隔若干次迭代使用所构建的验证集对模型性能进行验证，确保模型收敛到最优性能；

步骤S205：利用优化收敛后固定参数的Bi-SINet网络模型对输入的待检测图像进行前向计算，即可获得前景目标分割图作为检测结果。

4.根据权利要求1所述一种基于双边注意力机制的复杂背景下的目标检测方法，其特征在于，所述步骤S3具体包括：

步骤S301：将待检测图片归一化后，输入收敛的Bi-SINet网络模型进行检测，在输出的N个不同尺度的检测结果中，选择尺度最大的作为模型的最终检测结果mask_pred；

步骤S302：根据模型的检测结果mask_pred和对应的真实标签mask_GT，计算平均绝对误差MAE，计算公式如下：

其中，H表示图像高度，W表示图像宽度，mask_pred(x,y)和mask_GT(x,y)分别表示预测结果和真实标签中位置坐标为(x,y)的值；

步骤S303：根据模型的检测结果mask_pred和对应的真实标签mask_GT，计算客观评价指标EM，计算公式如下：

其中，H代表图像高度，W表示图像宽度，φ_FM表示增强的对齐矩阵；

步骤S304：根据模型的检测结果mask_pred和对应的真实标签mask_GT，计算客观评价指标SM，计算公式如下：

SM＝αS₀+(1-α)S_r (7)

其中S₀表示针对目标的结构相似度，S_r表示针对区域的结构相似度，平衡两者的权重a通常取值0.5；

步骤S305：根据模型的检测结果mask_pred和对应的真实标签mask_GT，计算客观评价指标WFM，计算公式如下：

其中P^w表示加权修正后的准确率，R^w表示加权修正后的召回率，β是平衡准确率和召回率的因子。