一种基于注意力机制与多尺度融合的目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114882428A(43)申请公布日2022.08.09(21)申请号202210341735.5G06V10/82(2022.01)(22)申请日2022.04.02G06K9/62(2022.01)G06N3/04(2006.01)(71)申请人中国人民解放军火箭军工程大学G06N3/08(2006.01)地址710038陕西省西安市灞桥区同心路二号(72)发明人何祯鑫刘春桐刘忠业冯永保于传强李良王欣(74)专利代理机构西安方诺专利代理事务所(普通合伙)61285专利代理师景丽娜(51)Int.Cl.G06V20/52(2022.01)G06V10/40(2022.01)G06V10/764(2022.01)G06V10/80(2022.01)权利要求书3页说明书8页附图3页(54)发明名称一种基于注意力机制与多尺度融合的目标检测方法(57)摘要本发明公开了一种基于注意力机制与多尺度融合的目标检测方法，包括步骤Step1.改进YOLOv5s网络，得到算法模型PE‑YOLOv5s；Step2.将数据集图像输入到算法模型PE‑YOLOv5s内，提取特征；Step3.将步骤Step2得到的特征图进行特征重建融合；Step4.将步骤Step3得到的特征进行特征筛选；Step5.对步骤Step4得到的特征进行分类和回归，得到基于注意力机制与多尺度融合的YOLOv5目标检测模型；本方法通过对YOLOv5s的网络基础进行改进，有效解决了复杂环境下的动态目标进行精确检测低的问题，具有检测速度快、精度高和表达能力好的特点。CN114882428ACN114882428A权利要求书1/3页1.一种基于注意力机制与多尺度融合的目标检测方法，其特征在于：包括步骤Step1.在起重机监控系统的YOLOv5s算法Neck网络中，引入PSConv特征重构模块和ECA注意力机制模块，对YOLOv5s网络进行改进，得到改进后的算法模型PE‑YOLOv5s；Step2.将传感器采集得到的数据集图像输入到算法模型PE‑YOLOv5s内，进行特征提取，得到多尺度的特征图集；Step3.将步骤Step2得到的多尺度的特征图进行特征重建融合；Step4.将步骤Step3得到的重建后的特征利用ECA注意力机制模块进行基于注意力机制的特征筛选；Step5.对步骤Step4筛选后得到的特征进行分类和回归操作，得到基于注意力机制与多尺度融合的YOLOv5目标检测模型；Step6.将测试数据带入基于注意力机制与多尺度融合的YOLOv5目标检测模型中，进行目标检测。2.根据权利要求1所述的一种基于注意力机制与多尺度融合的目标检测方法，其特征在于：步骤Step1所述的PE‑YOLOv5s算法包括输入端、基准网络、特征融合和预测部分；所述输入端包含图像的预处理阶段，在输入端沿用YOLOv4的Mosaic数据增强，提升模型的训练速度和网络精度；所述基准网络网络是检测网络的主干，用于提取出图像的高中低层的特征；所述特征融合部分主要用于生成特征金字塔，增强模型对于不同缩放尺度对象的检测；所述预测部分用于进行卷积，得到预测结果。3.根据权利要求2所述的一种基于注意力机制与多尺度融合的目标检测方法，其特征在于：步骤Step1所述的PE‑YOLOv5s算法还包括A框、B框、C框、D框、E框和F框；其中A框是CBL结构，由Conv+Bn+Leaky_relu激活函数三者组成；B框为Resunint模块，是由两个CBL模块组成的残差组件；C框和D框是CSP1_X、CSP2_X的结构；E框是SPP结构；F框是Focus结构。4.根据权利要求1所述的一种基于注意力机制与多尺度融合的目标检测方法，其特征在于：步骤Step2所述的特征提取过程为利用PSConv将扩张因子沿输入输出通道周期循环，提取图像中的不同尺度特征，得到多尺度的特征图集；其中所述PSConv的卷积定义为：上式中，是由两个正交维度的通道膨胀率和滤子膨胀率组成的矩阵；表示输入特征，表示卷积核，表示输出特征。5.根据权利要求4所述的一种基于注意力机制与多尺度融合的目标检测方法，其特征在于：步骤Step3所述的多尺度的特征图的融合的过程为利用PSConv通过按照通道对不同2CN114882428A权利要求书2/3页尺度卷积交替计算，通过将多尺度卷积融入一个计算过程中，完成对多尺度的特征图进行特征重建融合。6.根据权利要求1所述的一种基于注意力机制与多尺度融合的目标检测方法，其特征在于：步骤Step4所述的特征筛选过程包括Step401.考虑每个通道与其相邻通道的相互影响，通过矩阵Wk学习通道注意力：在上式中，Wk中有k×C参数，k为1D卷积的内核，C为通道维度；Step402.由