[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

说明书

本发明公开了一种基于双边注意力机制的复杂背景下的目标检测方法，可用于在复杂背景下进行精确的前景目标检测。该发明主要包括：根据公开的复杂背景下目标检测数据集，构建训练集、验证集和测试集；构建基于双边注意力机制的人工神经网络检测模型Bi‑SINet；在Pytorch深度学习平台上运用SGD优化器优化Bi‑SINet模型；在所构建的测试集上评估收敛的Bi‑SINet网络模型的检测性能。本发明相比当前主要的复杂背景下的目标检测算法SINet能取得更好的检测性能。本发明在降低了平均绝对误差的同时，实现了更高的增强‑对齐指标、结构指标及加权的F指标，是一种更加精确的复杂背景下的目标检测算法。

技术领域

本发明涉及一种基于双边注意力机制的复杂背景下的目标检测方法，适用于计算机视觉中复杂背景下的目标检测技术领域。

背景技术

图像和视频是人类获取信息的重要来源，因此利用计算机针对海量图像和视频进行分析处理的应用也得到了大力发展。目标检测作为计算机视觉领域的基本任务之一，是帮助计算机理解图像数据的重要手段，在行人检测、车辆检测、自动驾驶、安防系统和医疗等领域都有着广泛的应用前景。

得益于深度学习技术的发展，目标检测在最近几年吸引了广泛的注意力，并取得了巨大的成功，一大批高效的检测算法被提出。现有的基于卷积神经网络(ConvolutionNeural Networks，CNN)的目标检测算法主要分为两大类：单阶段检测算法和两阶段检测算法。单阶段检测算法的代表性算法有YOLO和SSD，两阶段算法的代表性算法有Faster R-CNN和Cascade R-CNN。当前的通用目标检测已经取得了长足的发展，能够达到较高的检测准确率，但是由于现实中的场景的复杂性，以及目标的伪装色和遮挡情况对高精度检测带来了很大的挑战。一些应用领域例如医疗、农业、海洋、军事等采集到的图像数据中，背景的复杂程度往往较高。由于光照强度、色彩复杂度以及物体本身的伪装颜色等因素，待检测目标往往与周围环境融为一体，前景与背景之前的差距极小，物体的边缘难以区分，导致通用的目标检测算法无法直接应用。因此开展复杂背景下的目标检测算法的研究具有重要的意义。

发明内容

针对现有复杂背景下的目标检测算法检测精确度不足的问题，本发明在当前算法SINet的基础上，提出了一种基于双边注意力机制的复杂背景下的目标检测方法，被命名为Bi-SINet。本发明中的Bi-SINet网络模型采用渐进式的检测框架，由粗到细地对待检测目标进行推理检测。同时，利用双边注意力来提高特征融合的效率。训练好的Bi-SINet网络模型的检测性能优于Bi-SINet模型，在降低平均绝对误差(Mean Absolute Error,MAE)的同时，提高了检测结果的增强-对齐指标(Enhanced-alignment Measure,EM)、结构指标(Structure Measure,SM)和加权的F指标(Weighted F Measure,WFM)，说明本发明有效提高了复杂背景下的目标检测精度。

为了实现上述目的，本发明提供如下技术方案：

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，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：将待检测图像输入步骤S2得到的收敛的Bi-SINet网络模型进行前向运算，即可得到检测结果。将收敛的Bi-SINet网络模型在所构建的测试集上进行检测，根据检测结果评估模型性能。

进一步地，所述步骤S1具体包括：

步骤S101：获取公开的复杂背景下的目标检测数据集，包含COD10K数据集、CAMO数据集和CHAMELEON数据集；