[发明专利]一种基于attention机制的小物体识别方法

说明书

本发明公开了一种基于attention机制的小物体识别方法，包括采集训练图像，在图像中标记出物体位置并标注物体分类，得到物体分类及位置的数据集；建立识别模型，将训练图像输入到识别模型中进行训练，得到训练好的识别模型；将待识别图像输入到识别模型得到分类识别结果。本发明通过注意力学习网络，对特征图进行卷积运算得到注意图，根据注意力图来指导数据处理过程，使不同注意力图关注输入不同部分重要信息，期望通过观察不同注意力图关注区域来指导重要区域的判断；在待识别图像不提供目标区域标注的情况下，使用弱监督注意力机制实现对目标区域的自动关注，忽略背景信息，进而提高在复杂的背景环境中识别小物体性能的同时增强模型的可解释性。

技术领域

本发明涉及一种小物体识别方法，尤其涉及一种基于attention机制的小物体识别方法。

背景技术

在环境监测及特定环境进行散落或垃圾品质识别的场景下，相比较于图像分类技术，图像中的物体识别较为困难，它不仅要求要检测并鉴别物体属于哪一类，还要进行物体位置的确定。而对于在复杂的图像中识别出小物体更为困难。目前，该方面的研究主要集中在多尺度下各个通道图像的特征进行识别，该方法在空间和时间消耗较大，且某些小物体特征会在小尺寸图像输入下消失；另外，对于多尺度训练的核心思想是随机采样的多分辨率图像使检测识别器具有尺度不变特性。然而通过实验发现，在多尺度训练中，对于极大目标和过小目标的识别效果并不好，且很难快速的发现目标。

发明内容

本发明要解决的技术问题是提供一种基于attention机制的小物体识别方法，在复杂的背景环境下，自动关注到图像中的关键区域，快速检测到小物体位置，并进行分类识别。

本发明为解决上述技术问题而采用的技术方案是提供一种基于attention机制的小物体识别方法，包括如下步骤：

S1：采集训练图像，在图像中标记出物体位置并标注物体分类，得到物体分类及位置的数据集；

S2：建立识别模型，将训练图像输入到识别模型中进行训练，得到训练好的识别模型；

S3：将待识别图像输入到识别模型得到分类识别结果。

进一步地，所述步骤S2包括如下步骤：

S21：对训练图像进行数据增强处理，采用迭代的方式加载训练图像到识别模型；

S22：通过识别模型的特征提取网络，对数据增强后的训练图像进行特征提取，得到特征图；

S23：通过识别模型的注意力学习网络，对所述特征图进行卷积运算分析，得到注意图，所述注意图中包含元素在训练图像中的位置坐标；

S24：进行注意力导向数据增强，对注意图进行处理，得到注意区域边界框，在训练图像中设置注意区域边界框并将其作为扩展的样本图像加载到识别模型，用以调整优化网络参数；

S25：将所述特征图与每个通道的所述注意图相乘得到注意部分特征图，然后通过识别模型的注意力集中特征池化网络，对注意部分特征图进行池化降维后，拼接得到特征矩阵；

S26：将所述特征矩阵输入到识别模型的线性分类网络，得到目标识别结果，根据目标识别结果与训练图像中物体分类及位置的数据集进行对比调整优化网络参数；

S27：根据学习率调整策略，重复步骤S21-S26，完成识别模型训练。

进一步地，所述步骤S24包括：

S241：对注意图进行归一化处理，归一化公式如下：

S242：将归一化处理后的注意图中大于设定阈值的元素置为1，其他置为0，然后将可以覆盖选定的值为1的区域的最小边界框作为注意区域边界框；