[发明专利]一种基于改进的双注意力YOLOv7的场景藏文检测方法

权利要求书

1.一种基于改进的双注意力YOLOv7的场景藏文检测方法，其特征在于，包括如下步骤：

S1、建立藏文场景文本数据集；

S2、构建改进的双注意力YOLOv7网络模型；

S3、将数据集中的图像数据作为输入，输入到YOLOv7网络模型中进行特征提取；

S4、将提取到的特征输入到不同尺度的检测头用来检测文本框；

S5、检测头输出对应的目标位置和类别。

2.根据权利要求1所述的基于改进的双注意力YOLOv7的场景藏文检测方法，其特征在于：在步骤S1中，所述数据集中包括有小目标、中目标、大目标文本，目标尺寸小于32×32像素的区域规定为小目标，在32×32像素和96×96像素之间的区域为中目标，尺寸大于96×96像素的区域规定为大目标；小目标、中目标、大目标文本的比例为1：2：3。

3.根据权利要求1所述的基于改进的双注意力YOLOv7的场景藏文检测方法，其特征在于：所述改进的双注意力YOLOv7网络模型具体是：在基础YOLOv7的主干网络下采样和颈部上采样之间引入背景抑制模块，用于学习每个通道的重要程度，增强有用特征的同时抑制无用特征；在YOLOv7颈部和检测头之间采用卷积注意力模块提取特征，包括通道和空间双注意力，提高网络对文本区域的注意力。

4.根据权利要求1所述的基于改进的双注意力YOLOv7的场景藏文检测方法，其特征在于：所述YOLOv7网络模型对输入图像提取文本框、置信度和类别概率三类特征信息；

首先，输入图像首先被划分成S×S个相同大小的窗口，在每个窗口预测生成B个候选框，每个候选框预测参数包含四个坐标(x,y,w,h)和置信度信息；

其次，计算每个候选框包含实体对象的类别概率；

最后,每个窗口生成维度为B×5+N的向量，其中，B为候选框生成的个数，5代表四个坐标和置信度信息，最终生成S×S×(B×5+N)的张量，其中N为类别数。

5.根据权利要求1所述的基于改进的双注意力YOLOv7的场景藏文检测方法，其特征在于：在步骤S3中，具体包括如下：

S31、对于颈部输入特征F在每个通道轴上应用最大池化、平均池化，得到两个c×1×1的向量，并送入两层的共享全连接层；将像素相加融合，经过一个激活函数Sigmoid，得到通道注意力特征图M_C，公式表达为：

M_C(F)＝σ(MLP(AugPool(F)+MLP(MaxPool(F)))；

其中，σ为Sigmoid函数；

S32、将通道注意力特征M_C输入到空间注意力层，在每个空间层上应用最大池化、平均池化，得到两个1×H×W的特征图；按通道拼接，输入到一个标准卷积层，经过激活函数之后得到空间注意力特征M_S，公式表达为：

其中，f^7×7为滤波器大小。

6.根据权利要求1所述的基于改进的双注意力YOLOv7的场景藏文检测方法，其特征在于：在步骤S4的检测头中，采用α-IOU边界框回归损失函数，通过引入惩罚系数α，保留高质量的候选框，减轻梯度消失，提高文本检测精度；损失函数如下式：