一种基于注意力特征增强模块的道路目标检测方法技术

本发明专利技术公开了一种基于注意力特征增强模块的道路目标检测方法，属于目标检测技术领域。本发明专利技术首先构建卷积神经模块对原始图像中的待检测道路目标进行特征提取，获取不同尺寸的输入特征图；然后构建包含CBAM注意力机制和语义增强分支的注意力特征增强模块，对获取的特征图进行特征增强；最后，基于增强后包含深层语义信息和浅层纹理信息的特征图采用解耦头进行分类回归，完成对目标的检测。BDD100K数据集检测结果表明，本发明专利技术公开的方法平均精准率提高1.8%；PASCAL VOC 2007数据集检测结果表明，本发明专利技术公开的方法平均精准率提高0.6%。本发明专利技术公开的方法平均精准率提高0.6%。本发明专利技术公开的方法平均精准率提高0.6%。

【技术实现步骤摘要】
一种基于注意力特征增强模块的道路目标检测方法


[0001]本专利技术属于目标检测(Object detection)
，具体涉及一种基于注意力特征增强模块的道路目标检测方法。

技术介绍

[0002]随着汽车保有量的不断增加，出行安全问题日益凸显，基于计算机视觉的自动驾驶技术为交通问题提供了新的解决思路，得到越来越多国家的重视和研究。传统的目标检测算法对道路目标进行检测时，缺乏对特征有区别的筛选，存在漏检率高、召回率低等问题，因此提高复杂交通场景下道路目标检测算法的精度具有重要意义。
[0003]深度卷积神经网络由于能够自主完成对目标特征的学习，提取关键信息，因而具有较强的鲁棒性。近年来，基于卷积神经网络的目标检测模型主要有目标候选框思路和回归思路两种思路，对应生成的算法被称为两阶段算法和单阶段算法。以R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN 和R
‑
FCN等算法为代表的两阶段检测算法，首先进行目标候选框的提取，再利用检测网络基于提取的候选框完成模型训练。以SSD、YOLO、YOLOv3等算法为代表的单阶段检测算法，直接通过检测网络回归目标的类别和位置信息，具有更高的检测速度。然而，由于不同特征图甚至同一特征图内不同区域对目标的贡献程度都不相同，目前检测算法获得的特征总是具有广泛性和冗余性，并不能精准的满足任务的需求。

技术实现思路

[0004]为解决上述问题，本专利技术公开了一种基于注意力特征增强模块的道路目标检测方法，增加了注意力机制以有区分地提取目标特征，增加任务感兴趣性区域特征的表达，同时添加语义增强分支以传播语义强的特征，相较于其他先进的目标检测算法，可以有效提升道路目标的检测精度。
[0005]为达到上述目的，本专利技术的技术方案如下：
[0006]一种基于注意力特征增强模块的道路目标检测方法，包括以下步骤：
[0007]步骤1、获取待检测道路目标的图像信息；
[0008]步骤2、构建卷积神经网络，在所述图像信息中提取表征道路目标的特征，获得不同尺寸的输入特征图；
[0009]步骤3、构建注意力特征增强模块，所述注意力特征增强模块包括CBAM注意力机制、语义增强分支，通过注意力特征增强模块对步骤2所得输入特征图进行特征增强，提高任务感兴趣区域的特征表达，获得包含深层语义信息和浅层纹理信息的特征图；
[0010]步骤4、基于步骤3所得增强后的特征图，采用解耦输出头进行分类和回归，输出检测结果。
[0011]如前所述一种基于注意力特征增强模块的道路目标检测方法，进一步地：步骤1.3所述构建注意力特征增强模块具体步骤包括：
[0012]步骤1.3.1、将尺寸大小为原始图像1/32的输入特征图输入到CBAM模块中获得
特征图将进行卷积运算、批归一化和激活函数处理后进行上采样，获得尺寸大小为原始图像 1/16的语义增强特征图
[0013]步骤1.3.2、将尺寸大小为原始图像1/16的输入特征图与语义增强特征图进行加和运算获得特征图将输入到CBAM模块中获得特征图将特征图与特征图在通道维度上进行拼接操作，获得尺寸大小为原始图像1/16的语义增强特征图
[0014]步骤1.3.3、将增强特征图输入CSPLayer单元中，将获得的特征图进行卷积运算、批归一化和激活函数处理后进行上采样，获得尺寸大小为原始图像1/8的语义增强特征图
[0015]步骤1.3.4、将尺寸大小为原始图像1/8的输入特征图与语义增强特征图进行加和运算获得特征图将输入到CBAM模块中获得特征图将特征图与特征图在通道维度上进行拼接操作，获得尺寸大小为原始图像1/8的语义增强特征图
[0016]步骤1.3.5、将增强特征图输入CSPLayer单元中，获得的特征图用于解耦头对目标进行检测。
[0017]如前所述一种基于注意力特征增强模块的道路目标检测方法，进一步地：步骤1.3.1、步骤1.3.2以及步骤1.3.4所述CBAM模块包括生成通道注意力特征图和空间注意力特征图两个处理步骤：
[0018]将输入特征图F进行首先通过全局平均值池化和全局最大值池化操作获取输入特征的空间信息，生成和两个空间上下文描述符。和通过一个含有一个隐藏层的多层感知器生成通道注意力图。当输入特征图的尺寸为通道注意力特征图M
c
(F)详细计算公式为：
[0019][0020]其中，r表示多层感知器瓶颈结构的缩减值，取值为16；σ(
·
)代表Sigmoid激活函数；R(
·
)代表ReLU线性整流函数；g(
·
)是全局平均值池化函数；δ(
·
)是全局最大值池化函数。
[0021]Sigmoid激活函数σ(
·
)的计算公式为：
[0022][0023]ReLU线性整流函数R(
·
)的计算公式为：
[0024][0025]全局平均值池化函数g(
·
)的计算公式为：
[0026][0027]全局最大值池化函数δ(
·
)的计算公式为：
[0028][0029]在生成空间注意力特征图时，首先沿着通道轴将输入特征图F
′
进行包含平均值池化和最大值池化的池化操作，并生成和两个二维的特征图。将生成的二维特征图在通道维度进行拼接，并通过标准卷积层进行卷积，生成空间注意力特征图M
s
(F
′
)。空间注意力特征图 M
s
(F
′
)详细计算公式为：
[0030][0031]其中，f7×7其代表卷积核为7
×
7的卷积操作。
[0032]CBAM模块最终输出的注意力特征图化计算公式为：
[0033][0034]如前所述一种基于注意力特征增强模块的道路目标检测方法，进一步地：步骤1.3.3以及步骤1.3.5所述CSPLayer单元具体步骤包括：
[0035]首先将输入特征图F1进行卷积运算、批归一化和激活函数处理，获得特征图F
11
；
[0036]然后将输入特征图F1输入另一个分支，进行卷积运算、批归一化和激活函数处理获得特征图F
21
，将F
21
逐次残差瓶颈块中，逐次进行三次运算，获得特征图F
22
；
[0037]最后，将特征图F
11
与特征图F
22
在通道维度上进行拼接以获得特征图F
31
，并将特征图F
31
进行卷积运算、批归一化和激活函数处理用于后续运算。
[0038]本专利技术的有益效果是：
[0039]本专利技术提出一种基于注意力特征增强模块的道路目标检测方法。与基础的YOLOX
‑
L本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力特征增强模块的道路目标检测方法，其特征在于，包括以下步骤：步骤1、获取待检测道路目标的图像信息；步骤2、构建卷积神经网络，在所述图像信息中提取表征道路目标的特征，获得不同尺寸的输入特征图；步骤3、构建注意力特征增强模块，所述注意力特征增强模块包括CBAM注意力机制、语义增强分支，通过注意力特征增强模块对步骤2所得输入特征图进行特征增强，提高任务感兴趣区域的特征表达，获得包含深层语义信息和浅层纹理信息的特征图；步骤4、基于步骤3所得增强后的特征图，采用解耦输出头进行分类和回归，输出检测结果。2.根据要求1所述一种基于注意力特征增强模块的道路目标检测方法，其特征在于：步骤3中，所述构建注意力特征增强模块具体步骤包括：步骤1.3.1、将尺寸大小为原始图像1/32的输入特征图输入到CBAM模块中获得特征图将进行卷积运算、批归一化和激活函数处理后进行上采样，获得尺寸大小为原始图像1/16的语义增强特征图步骤1.3.2、将尺寸大小为原始图像1/16的输入特征图与语义增强特征图进行加和运算获得特征图将输入到CBAM模块中获得特征图将特征图与特征图在通道维度上进行拼接操作，获得尺寸大小为原始图像1/16的语义增强特征图步骤1.3.3、将增强特征图输入CSPLayer单元中，将获得的特征图进行卷积运算、批归一化和激活函数处理后进行上采样，获得尺寸大小为原始图像1/8的语义增强特征图步骤1.3.4、将尺寸大小为原始图像1/8的输入特征图与语义增强特征图进行加和运算获得特征图将输入到CBAM模块中获得特征图将特征图与特征图在通道维度上进行拼接操作，获得尺寸大小为原始图像1/8的语义增强特征图步骤1.3.5、将增强特征图输入CSPLayer单元中，获得的特征图用于解耦头对目标进行检测。3.根据权利要求2所述一种基于注意力特征增强模块的道路目标检测方法，其特征在于：步骤1.3.1、步骤1.3.2以及步骤1.3.4所述CBAM模块包括生成通道注意力特征图和空间注意力特征图两个处理步骤：将输入特征图F进行首先通过全局平均值池化和全局最大值池化操作获取输入特征的空间信息，生成和两个空间上下文描述符；和通过一个含有一个隐藏层的多层感知器生成通道注意力图；当输入特征图的尺寸为通道注意力特征图M

【专利技术属性】
技术研发人员：潘树国，孙迎春，高旺，彭雅慧，
申请(专利权)人：东南大学，
类型：发明
国别省市：