[发明专利]一种基于多头注意力机制的抗遮挡目标检测方法及设备

权利要求书

1.一种基于多头注意力机制的抗遮挡目标检测方法，其特征在于，包括如下步骤：

获取训练样本，将所述训练样本输送至初始模型中，通过目标提取子网络对所述训练样本中进行特征提取，以得到多个不同尺度的特征层；

将各个所述特征层以特征金字塔的结构融合，通过注意力机制子网络在所述特征金字塔的每层特征层中添加多头注意力机制，以得到各层特征层的特征响应图和注意力特征图；

分别通过分类子网络、回归子网络和注意力特征图计算出分类损失值、回归损失值和注意力损失值；

根据所述分类损失值、回归损失值和注意力损失值计算出整体损失值，利用所述整体损失值对所述初始模型进行训练，以得到目标检测模型；

利用所述目标检测模型对待检测图像进行目标检测，以检测出所述待检测图像中的被遮挡目标信息。

2.根据权利要求1所述的基于多头注意力机制的抗遮挡目标检测方法，其特征在于，所述通过目标提取子网络对所述训练样本中进行特征提取，以得到多个不同尺度的特征层的方法具体为：

通过具有残差结构的RetinaNet特征提取子网络对所述训练样本进行特征提取，并通过FPN的自上而下融合方式得到多个不同尺度的特征层。

3.根据权利要求1所述的基于多头注意力机制的抗遮挡目标检测方法，其特征在于，所述多头注意力机制包含三组注意力特征层，每组注意力特征层由两层包含256个滤波器的3*3卷积层组成。

4.根据权利要求3所述的基于多头注意力机制的抗遮挡目标检测方法，其特征在于，所述注意力特征图的获取方式为：

其中，P、V、A分别表示一组注意力特征层，d为所述训练集中的图像的像素宽度。

5.根据权利要求4所述的基于多头注意力机制的抗遮挡目标检测方法，其特征在于，所述分类损失值的计算方法为：

其中，l_cls,k为第k个检测框的分类损失值，t_i为预测分类标签，为实际标签，l_cls为分类损失函数。

6.根据权利要求5所述的基于多头注意力机制的抗遮挡目标检测方法，其特征在于，所述回归损失值的计算方法为：

其中，是用来限制回归损失只考虑积极锚点的函数，p_i是预测框上下角两个点坐标向量，是预测框的实际坐标向量，L_rep是回归损失函数。

7.根据权利要求6所述的基于多头注意力机制的抗遮挡目标检测方法，其特征在于，所述注意力损失值的计算方法为：

其中m_k是第k个特征层的注意力特征图，是实际的语义分割图，Smooth_ln为：

其中σ为阈值参数。

8.根据权利要求7所述的基于多头注意力机制的抗遮挡目标检测方法，其特征在于，所述整体损失值的计算方法为：

L＝αL_cls+βL_reg+λL_att，

其中，α、β和γ为损失值计算参数，用于均衡所述分类损失值、回归损失值和注意力损失值。

9.一种基于多头注意力机制的抗遮挡目标检测设备，其特征在于，包括：处理器和存储器；

所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的基于多头注意力机制的抗遮挡目标检测方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任意一项所述的基于多头注意力机制的抗遮挡目标检测方法中的步骤。