一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法技术

本发明专利技术公开了一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法，包括轻量级注意力机制和YOLOv3网络的目标检测算法的训练过程，本算法通过将轻量级注意力机制和YOLOv3网络结合，以提高特征提取能力，深度可分离卷积模块结合到了YOLOv3网络中，提高了算法的效率并且检测精度进一步提高，多尺度融合方法被用于传统的YOLOv3网络中，提高了模型的特征提取的能力，进而提高了模型的性能，通过将轻量级注意力机制、深度可分离卷积以及多尺度融合方法结合到YOLOv3网络中，设计一个具有较高辨识度的目标检测方法，能够有效的完成图像中目标检测的任务，自动提取图片的特征，并且在提升效率的同时具有较高的检测精度。且在提升效率的同时具有较高的检测精度。且在提升效率的同时具有较高的检测精度。

【技术实现步骤摘要】
一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法


[0001]本专利技术涉及计算机视觉领域的目标检测算法研究
，具体为一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法。

技术介绍

[0002]目标检测是计算机视觉研究领域的一个重要分支，也是计算机视觉研究中最基础的几个问题之一。目标检测是在一些特定的图像识别出指定的类别(比如人、狗、斑马、大象和小汽车)的空间位置或者覆盖范围。此外，在人工智能和信息技术的研究方面，目标检测也具有重要的地位，尤其是在机器人视觉、人脸识别、自动驾驶和智能监控等方面。现在目标检测遇到的挑战包括精度和效率两个方面，如何在提高效率的同时保证精度是现在研究的主要方面。根据现有的目标检测算法，可以将大致分为两大类，一类是单级式的检测框架(One
‑
stage Detectors)，另一类是两级式的检测框架(Two
‑
stage Detectors)。单极式目标检测方法直接在完整图像上进行计算以完成检测，而两级式目标检测方法则是先对图像进行预处理提取一些候选框，再本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法，其特征在于，包括轻量级注意力机制和YOLOv3网络的目标检测算法的训练过程：轻量级注意力机制和YOLOv3网络的目标检测算法的训练过程分为两个阶段：第一个阶段是对输入图像进行多尺度下的特征提取，其中包含了深度可分离卷积和注意力机制的残差结构；第二阶段是前一阶段训练的到的多尺度特征进行融合，最终输出预测图像，具体训练过程为：第一步：网络进行权值的初始化；第二步：输入图像经过多尺度的特征提取；第三步：在多个尺度下，同时经过深度可分离卷积层、注意力机制的残差模块得到下采样的多个尺度的特征图；第四步：每个尺度的特征再经过卷积层进行输出预测；第五步：将多尺度特征的输出预测进行融合，形成最终的预测模型。2.根据权利要求1所述的一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法，其特征在于，包括深度可分离卷积结构，深度可分离结构是实现特征提取功能的一部分，并且它是实现轻量化设计的关键模块，因为在标准卷积中，卷积运算和特征通道的组合是同时进行的，它将两部分分开进行，即分为深度卷积和点卷积过程，通过分组之后的卷积过程，卷积过程中的计算量和参数数量减少了很多，进而达到了轻量化的目的，进一步的，对于输入特征为：D
F
×
D
F
×
M首先它将会被分解为两个卷积过程，即深度卷积过程和的逐点卷积过程，那么计算量写为D
K
×
D
K
×1×
M的深度卷积过程和1
×1×
M
×
N的逐点卷积过程，那么计算量写为O1(n)＝D
K
·
D
K
·
M
·
D
F
·
D
F
+M
·
N
·
D
F
·
D
F
对于传统的标准卷积过程，相同输入下的计算量为O2(n)＝D
K
·
D
K
·
M
·
N
·
D
F
·
D
F
通过比较发现，当卷积核尺寸为3
×
3时，采用深度可分离卷积减少近9倍的计算量，因此有效的提高了模型的效率。3.根据权利要求1所述的一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法，其特征在于，包括注意力机制...

【专利技术属性】
技术研发人员：段运生，檀怡，竺德，孙冬，
申请(专利权)人：赛尔网络有限公司，
类型：发明
国别省市：