基于CSAFM注意力机制的道路目标检测方法及系统技术方案

本发明专利技术公开了一种基于CSAFM注意力机制的道路目标检测方法及系统，涉及图像检测技术领域，首先将CSAFM注意力机制引入目标检测算法的特征提取网络，训练得到道路图像目标检测模型，将待识别道路图像输入该模型中得到目标检测结果。CSAFM注意力机制对全局特征沿通道维度分为多个子特征；通道和空间注意力模块使用平均池化、最大池化、组归一化操作聚合每个子特征，之后使用channelshuffle进行重组特征。本发明专利技术从通道和空间层面帮助卷积网络关注目标信息和位置信息，改进了通道注意力和空间注意力的融合方式，加大了两种注意力特征的信息传递，提高了特征提取网络的信息提取效果和特征表达能力，提高了目标检测精度。提高了目标检测精度。提高了目标检测精度。

【技术实现步骤摘要】
基于CSAFM注意力机制的道路目标检测方法及系统


[0001]本专利技术涉及图像检测
，更具体的说是涉及一种基于CSAFM注意力机制的道路目标检测方法及系统。

技术介绍

[0002]目标检测是计算机视觉领域的核心问题之一，其任务就是找出图像中所有感兴趣的目标，确定他们的类别和位置。由于各类不同物体有不同的外观，姿态，以及不同程度的遮挡，加上成像时光照等因素的干扰，目标检测一直以来是一个很有挑战性的问题。随着卷积神经网络的提出，基于深度学习的目标检测逐渐成为目标检测算法的主流。基于深度学习的目标检测算法主要分为两类：(1)两阶段(two
‑
stage)的目标检测算法；(2)单阶段(one
‑
stage)的目标检测算法。其中，两阶段目标检测算法通过牺牲检测速度来关注更精确的精度，单阶段目标检测算法通过牺牲一定的精度获得了实时的检测速度，可以说两类方法各有各的优势和劣势，通常根据不同的应用场景和需求，选取不同的算法。
[0003]目标检测的效果取决于卷积神经网络的特征提取网络，而特征提取的能力则决定了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CSAFM注意力机制的道路目标检测方法，其特征在于，包括以下步骤：步骤1、将CSAFM注意力机制引入目标检测算法的特征提取网络中；步骤2、使用道路图像数据集对引入CSAFM注意力机制的目标检测算法进行训练，得到道路图像目标检测模型；步骤3、将待识别道路图像输入所述道路图像目标检测模型中，得到待识别道路图像的目标检测结果。2.根据权利要求1所述的一种基于CSAFM注意力机制的道路目标检测方法，其特征在于，所述步骤1中，CSAFM注意力机制包括：分组卷积：对特征图F中的全局特征X沿着通道维度划分为G组，得到G个子特征图；通道注意力模块：使用平均池化和最大池化操作聚合全局特征X，生成两个不同的张量：和然后转发到共享网络MLP以生成通道M
C
；将平均池化和最大池化操作应用于每个子特征图的两个分支X
k1
、X
k2
上，以生成子特征图的局部向量x；通过对子特征图逐元素操作合并输出特征向量，通过激活函数得到最终的通道注意力x
C
；空间注意力模块：在每个子特征图的两个分支上应用GroupNorm，获得空间方向的特征信息，以计算空间注意力x
S
；将每个子特征图的两个分支连接起来；聚合重组：通过concat将所有子特征图聚合起来，使用channel shuffle操作重组。3.根据权利要求2所述的一种基于CSAFM注意力机制的道路目标检测方法，其特征在于，所述通道注意力模块中，通道M
C
为：M
C
(X)＝MLP(AvgPool(X))+MLP(MaxPool(X))。4.根据权利要求2所述的一种基于CSAFM注意力机制的道路目标检测方法，其特征在于，所述通道注意力模块中，局部向量x为：x＝AvgPool(X
k1
+X
k2
)+MaxPool(X
k1
+X
k2
)+M
c
(X)。5.根据权利要求2所述的一种基于CSAFM注意力机制的道路目标检测方法，其特征在于，所述通道注意力模块中，通道注意力x
C
为：x
C
＝σ(W
C
x+b
C
)
·
X
k1
；其中，σ表示sigmoid激活函数，W
C
和b
C
...

【专利技术属性】
技术研发人员：徐慧英，严骏，朱蓉，朱信忠，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：