[发明专利]基于感受野增强和注意力引导聚合的目标检测方法及装置

权利要求书

1.一种基于感受野增强和注意力引导聚合的目标检测方法，其特征在于，所述方法应用于卷积神经网络中，所述卷积神经网络包括改进的YOLO_v3网络，其中，所述改进的YOLO_v3网络又包括：骨干网络模块、感受野增强模块、注意力引导融合模块；所述方法包括：

输入特征图到所述骨干网络模块提取图像特征，得到不同特征层的特征图，选取部分所述不同特征层的特征图；

输入所述选取的部分所述不同特征层的特征图到所述感受野增强模块，扩大特征感受野，提取多尺度特征信息；

根据不同特征层的特征两两融合的方式，输入不同特征层的特征图到注意力引导融合模块融合特征，提高特征融合的质量，降低噪声信息干扰。

2.根据权利要求1所述的方法，其特征在于，所述输入特征图到所述骨干网络模块提取图像特征之前，还包括：

选取EfficientNet_B2网络替换原骨干网络Darknet-53；

删除所述EfficientNet_B2网络最后的分类层进行改进，得到新的骨干网络，嵌入YOLO_v3网络。

3.根据权利要求1所述的方法，其特征在于，所述感受野增强模块包括：跨阶段局部网络模块和IASPP模块，其中，所述IASPP模块在传统的ASPP模块的每个分支的空洞卷积前添加池化和卷积操作，增强模型的鲁棒性和泛化能力，弥补空洞卷积造成的特征稀疏。

4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：

所述跨阶段局部网络模块将输入的特征图一分为二，通过所述跨阶段局部网络模块的跨阶段局部结构将两部分所述特征图合并。

5.根据权利要求4所述的方法，其特征在于，所述跨阶段局部网络模块将输入的特征图一分为二之后，还包括：

输入所述一分为二的特征图的任一部分到所述IASPP模块，通过对所述每个分支处理，增加所述每个分支间感受野的差异性，所述特征图的另一部分保持不变。

6.根据权利要求1所述的方法，其特征在于，所述注意力引导融合模块包括：空间注意力模块和通道注意力模块，所述输入不同特征层的特征图到注意力引导融合模块融合特征，包括：

通过空间注意力模块优化空间细节信息，得到空间注意力向量；

通过通道注意力模块优化语义信息，得到通道注意力向量；

将上述两模块串联对特征进行细化处理，得到多尺度信息更丰富的细化特征图。

7.根据权利要求6所述的方法，其特征在于，所述多尺度信息更丰富的细化特征图获取过程设置六条分支，所述六条分支以沿通道方向拼接的方式融合信息。

8.根据权利要求1或6所述的方法，其特征在于，所述输入不同特征层的特征图到注意力引导融合模块融合特征之后，还包括：

输入所述多尺度信息更丰富的细化特征图到感受野增强模块，并进行卷积操作对特征进一步细化处理。

9.一种基于感受野增强和注意力引导聚合的目标检测装置，其特征在于，所述装置可以应用在卷积神经网络中，所述卷积神经网络包括改进的YOLO_v3网络，所述装置包括：

骨干网络模块，用于加速图像特征提取过程；

感受野增强模块，用于增加感受野的多样性，提高网络的多尺度特征提取能力，改善神经网络中梯度信息重复的现象，增加梯度组合的多样性；

注意力引导融合模块，用于深层特征和浅层特征之间的相互引导约束，弱化两者之间的语义信息差异，提高特征融合的质量。

10.根据权利要求8所述的装置，其特征在于，还包括：

跨阶段局部网络模块，用于减少网络的计算量，保证梯度信息的差异性；

IASPP模块，用于在多个尺度下捕捉特征图的上下文信息，提高多尺度信息提取能力；

空间注意力模块，用于优化空间细节信息，生成空间注意力向量；

通道注意力模块，用于优化语义信息，生成通道注意力向量。