基于双注意力擦除和注意力信息聚合的弱监督目标检测方法技术

本发明专利技术公开了一种基于双注意力擦除和注意力信息聚合的弱监督目标检测方法，首先提取图像特征，同时采用选择性搜索算法对原始图像提取目标候选区域；将获取的特征送入到注意力信息聚合网络中，提取目标特征通道的全局和局部信息，并为不同的目标构建空间信息以增强特征图送入到双注意力擦除网络中，擦除其显著性局部前景注意力区域并同时擦除背景注意力区域，同时进行Sigmoid函数操作来生成增强图；将最终的特征图的卷积特征和候选区域输入到空间金字塔池化层，再输入两层串联的全连接层，输出得到每个候选框的特征向量，然后将其送入到多示例分支、优化分支和蒸馏分支中优化检测结果。本发明专利技术可解决弱监督场景下目标显著性区域突出问题，提高检测精度。提高检测精度。提高检测精度。

【技术实现步骤摘要】
基于双注意力擦除和注意力信息聚合的弱监督目标检测方法


[0001]本专利技术涉及一种目标检测方法，特别是涉及一种基于双注意力擦除和注意力信息聚合的弱监督目标检测方法。

技术介绍

[0002]目标检测是计算机视觉领域的热点问题之一。基于深度学习的全监督目标检测需要一个耗时耗力的过程来准备大量的完整标注数据，但是标注过程由于人为标注因素也可能会带来噪声。弱监督检测主要分为两类方法：基于多示例学习的传统检测方法和基于端到端多示例检测网络的方法，这些方法的主要过程都是首先生成大量候选区域，然后对候选区域执行多示例学习方法。虽然基于多示例学习的传统检测方法的检测速度较快，但是其多数使用手工提取特征且特征不具有鲁棒性，所以传统方法操作复杂而且检测精度无法令人满意。
[0003]受益于深度卷积神经网络强大的特征提取能力，越来越多的工作使用基于端到端的多示例检测网络，使得弱监督检测的精度显著提升且无需对特征进行手工提取，极大简化了检测流程。但是由于其基于分类网络构建，而分类网络往往提取的是目标最显著性的局部特征，使得目标特征的高响应区域也主要集中在此区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双注意力擦除和注意力信息聚合的弱监督目标检测方法，其特征在于，包括以下步骤：步骤一、对输入图像进行特征提取并同时采用选择性搜索算法对输入图像提取目标候选区域；步骤二、将步骤一获取的特征送入到注意力信息聚合网络中，提取目标特征通道的全局和局部信息，并为不同的目标构建空间信息以得到增强特征；步骤三、将步骤二获取的增强特征送入到双注意力擦除网络中，经过平均计算后进入第一通道擦除显著性局部前景注意力区域来寻找目标整体部分并同时擦除背景注意力区域，另外进入第二通道进行Sigmoid函数操作，随机选择第一通道或者第二通道结果与步骤二获取的增强特征进行元素乘积输出；步骤四、将步骤三得到的输出经过卷积后与步骤一得到的候选区域，输入到空间金字塔池化层，再输入两层串联的全连接层，输出得到每个候选框的特征向量，然后将特征向量送入到多示例分支、优化分支和蒸馏分支中细化得到检测结果。2.根据权利要求1所述的基于双注意力擦除和注意力信息聚合的弱监督目标检测方法，其特征在于，所述步骤一中进行特征提取时使用VGG16网络的前四个模块去除最后一个模块的最大池化层后进行提取。3.根据权利要求2所述的基于双注意力擦除和注意力信息聚合的弱监督目标检测方法，其特征在于，所述步骤四中的卷积为3
×
3的空洞卷积。4.根据权利要求1所述的基于双注意力擦除和注意力信息聚合的弱监督目标检测方法，其特征在于，所述步骤二具体包括：对输入的特征在通道维度进行全局平均池化，然后进行通道衰减生成全局通道向量f
global
，对输入的特征进行通道衰减生成局部通道信息f
local
，输出其中σ、和分别表示Sigmoid函数、广播加法和逐元素乘法；对输入特征同时...

【专利技术属性】
技术研发人员：龚声蓉，宋鹏鹏，应文豪，王朝晖，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：