[发明专利]用于消防通道占用目标检测的目标检测模型、方法及应用

权利要求书

1.一种目标检测模型的构建方法，其特征在于，包括：

依次连接的主干网络、颈部多尺度特征融合网络以及神经网络头部，其中主干网络包括切片操作、转置瓶颈残差模块和3*3卷积，所述转置瓶颈残差模块包括至少一组的转置瓶颈残差子模块，不同层级的转置瓶颈残差模块包括不同数量组的转置瓶颈残差子模块，每组转置瓶颈残差子模块内包括依次连接的7*7深度可分离卷积，第一1*1卷积、第二1*1卷积以及Drop_path，每组转置瓶颈残差子模块的输入和输出进行元素级相加，输入图像在切片操作后经过3*3卷积输入到转置瓶颈残差模块中，经上一级转置瓶颈残差模块输出的图像特征在切片操作后输入到下一级转置瓶颈残差模块，不同级转置瓶颈残差模块分别输出不同尺度的尺度特征；其中颈部多尺度特征融合网络包括数量同于转置瓶颈残差模块的1*1卷积、跳跃交叉融合模块以及上下文感知的注意力网络，不同尺度的尺度特征分别输入对应的1*1卷积中进行特征融合和特征通道统一化得到不同尺度的初始特征，不同尺度的所述初始特征经跳跃交叉融合模块进行高层语义信息和低层空间特征的融合得到不同尺度的跳跃交叉融合特征，不同尺度的跳跃交叉融合特征传入上下文感知的注意力网络得到预测特征；其中神经网络头部分为分类预测网络和边框预测网络，其中跳跃交叉融合模块包括对应不同层级的初始特征的多层级特征融合层，同一层级的特征融合层包括依次连接的不同深度的深度层，同一层级的特征融合层的不同深度层之间跳跃连接；不同层级的特征融合层的奇数深度层采用下采样，偶数深度层采用上采样，不同层级的特征融合层之间的同一深度层采用跨尺度连接；最低尺度的特征融合层的深度层和相邻上一尺度的特征融合层的深度层采用下采样的交叉连接；最高尺度的特征融合层的深度层和相邻下一尺度的特征融合层的深度层采用上采样的交叉连接。

2.根据权利要求1所述的目标检测模型的构建方法，其特征在于，每一切片操作的输出对应一转置瓶颈残差模块，其中位于首位的切片操作的输出经历3*3卷积后输入到对应的转置瓶颈残差模块，其他切片操作的输出直接输入到对应的转置瓶颈残差模块中。

3.根据权利要求1所述的目标检测模型的构建方法，其特征在于，主干网络包括依层级排序的第一级转置瓶颈残差模块、第二级转置瓶颈残差模块、第三级转置瓶颈残差模块和第四级转置瓶颈残差模块，第一级转置瓶颈残差模块内包括三组串联的转置瓶颈残差子模块，第二级转置瓶颈残差模块包括三组串联的转置瓶颈残差子模块，第三级转置瓶颈残差模块包括九组串联的转置瓶颈残差子模块，第四级转置瓶颈残差模块包括三组串联的转置瓶颈残差子模块。

4.根据权利要求1所述的目标检测模型的构建方法，其特征在于，7*7深度可分离卷积和第一1*1卷积之间归一处理，第一1*1卷积和第二1*1卷积之间设置使用一层激活层。

5.根据权利要求1所述的目标检测模型的构建方法，其特征在于，采用双线性插值作为上采样函数，采用最大池化作为下采样函数，跳跃层连接和跨尺度层连接之间以特征拼接的方式进行堆叠。

6.根据权利要求1所述的目标检测模型的构建方法，其特征在于，同一跳跃交叉融合特征输入到上下文感知的注意力网络中被衍生出不同大小区域的候选区域，每一候选区域采用双线性插值的方式转换为统一大小的特征，不同特征彼此加权处理后得到系列的上下文向量，其中每一上下文向量对应每一候选区域，对上下文向量进行全局平均池化得到区域序列，多个区域序列输入到长短时记忆网络中得到对应的隐藏状态序列。

7.根据权利要求6所述的目标检测模型的构建方法，其特征在于，当前层的区域序列、上一层输出的隐藏状态序列以及上一层的上下文向量作为当前长短时记忆网络的输入，经过长短时记忆网络的处理后得到当前层的隐藏状态序列作为输出。

8.一种目标检测模型，其特征在于，根据权利要求1到7任一所述的目标检测模型的构建方法构建得到。