注意力机制降低烟、火监测计算量的方法及电子设备技术

本发明专利技术涉及火灾检测技术领域，具体涉及一种降低烟、火监测计算量的注意力方法及电子设备，本发明专利技术首先获取待检测图像，用颜色特征网络生成颜色特征通道，再采用纹理特征网络和边缘特征网络分别抽取纹理特征、边缘特征，将纹理特征、边缘特征用大卷积核卷积合并成综合特征，再用sigmoid激活函数生成1维的权重特征图；将时间注意力嵌入循环神经网络RNN的编解码器之间，先度量编码器E第t‑i个隐藏状态E

【技术实现步骤摘要】
注意力机制降低烟、火监测计算量的方法及电子设备
本专利技术涉及火灾检测
，具体涉及一种注意力机制降低烟、火监测计算量的方法及电子设备。
技术介绍
深度学习较大程度地避免了传统方法中对人工的依赖，能自动地获取传统技术难以获取的高层特征。设计合理的非线性结构也能保留烟雾中的低维流形并能用于生成较精细的Groundtruth，为各种粒度的烟雾识别任务带来了较明显的效果提升。但是，深度学习检测烟、火目前具有“深度学习模型很大，计算负担重，应用部署成本高”的严重缺点，性价比低，客户部署意愿不大。因此降低计算复杂度，优化计算流程，减小对算力的消耗，已经成为目前研究的当务之急。目前监控摄像头的分辨率往往是1080(1920×1080)、3MP(2560×1440)和5MP，但是烟、火在早期只发生在局部区域，监控如此大的幅面浪费算力；另一方面，正常状态居多，灾害只有极少数时间。引入空间注意力机制，只关心发生烟、火的高可能性区域；引入时间注意力机制，只关心发生烟、火的高可能性时段。因此只对高可能性的时空进一步严密检测，能够大幅降低全幅面、全本文档来自技高网...

【技术保护点】
1.一种降低烟、火监测计算量的注意力机制，其特征在于，所述方法包括以下步骤：/nS1获取待检测图像，用颜色特征网络生成颜色特征通道，并采用纹理特征网络和边缘特征网络分别抽取纹理、边缘特征；/nS2合并成通道综合特征，并沿着通道轴最大池化和平均池化，得到2通道的特征图；/nS3采用卷积、sigmoid激活函数最终得到1维的权重特征图；/nS4权重特征图定义为空间注意力，仅对检测图像中权重特征图中超过阈值的区域进行重点检测；/nS5将空间注意力嵌入循环神经网络RNN的编解码器；/nS6先度量编码器E第t-i个隐藏状态E

【技术特征摘要】
1.一种降低烟、火监测计算量的注意力机制，其特征在于，所述方法包括以下步骤：
S1获取待检测图像，用颜色特征网络生成颜色特征通道，并采用纹理特征网络和边缘特征网络分别抽取纹理、边缘特征；
S2合并成通道综合特征，并沿着通道轴最大池化和平均池化，得到2通道的特征图；
S3采用卷积、sigmoid激活函数最终得到1维的权重特征图；
S4权重特征图定义为空间注意力，仅对检测图像中权重特征图中超过阈值的区域进行重点检测；
S5将空间注意力嵌入循环神经网络RNN的编解码器；
S6先度量编码器E第t-i个隐藏状态Et-i和解码器D状态Dt-1对Dt的贡献大小；
S7不断调节每个历史编码器权重的大小，仅对解码器Dt超过阈值的帧进行重点检测。


2.根据权利要求1所述降低烟、火监测计算量的注意力机制，其特征在于，所述颜色特征网络学习烟、火的颜色特征，其通过多次1×1的非线性卷积学习到合适的颜色模式，并建模颜色通道之间的相互依赖关系。
不受空间特征的影响，只操作颜色空间，采用1×1的卷积核卷积，然后非线性变换，即：



fki为第i层的第k个颜色通道，fmi-1为第i-1层的第m个颜色通道，Wki-1为i-1层到i层的第k个卷积核，Wkmi-1为第i-1层第m个颜色通道到第i层第k个颜色通道的第k个卷积核的权重，bk第i-1层的第k个偏置项，gi-1为第i-1层的非线性激活函数。


3.根据权利要求2所述降低烟、火监测计算量的注意力机制，其特征在于，先在空间维度进行全局平均池化，把每个特征通道变成1个实数，得到1个和通道数一样的一维向量，然后用此向量通过乘法加权到原来对应的通道上，得到输出结果。


4.根据权利要求3所述降低烟、火监测计算量的注意力机制，其特征在于，所述实数具有全局的感受野，表征着在颜色通道上响应的全局分布，所述颜色特征网络采用卷积网络进行颜色变换，找到烟雾与非烟雾类间差别最大的颜色通道fi。


5.根据权利要求1所述的注意力机制降低烟、火监测计算量的方法，其特征在于，设计纹理特征网络时，首先连接卷积层和最大池化层抽取特征，并对卷积层有批规范化操作；
卷积操作将r-1层的特征图Fqr-1转换为r层...

【专利技术属性】
技术研发人员：罗胜，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33