一种基于注意力机制和角点池化的小目标车辆检测方法技术

本发明专利技术提供一种基于注意力机制和角点池化的小目标车辆检测方法，包括获取SODA10M数据集并进行数据增强；输入的图片经过Hourglass

【技术实现步骤摘要】
一种基于注意力机制和角点池化的小目标车辆检测方法


[0001]本专利技术设计智能交通
，具体而言，尤其涉及一种基于注意力机制和角点池化的小目标车辆检测方法。

技术介绍

[0002]自动驾驶场景下车辆检测的主要研究内容是在图像或者视频中使用卷积神经网络提取关键特征信息，再进行检测分类等任务。Feng等人提出在激光雷达点云的3D车辆检测器中捕获神经网络中的不确定性，所提出的概率检测器代表了分类和定位任务中可靠的认知不确定性和任意不确定性。Asvadi等人提出了一种集成来自3D
‑
LiDAR和彩色相机的数据的多模式车辆检测系统，需要对多传感器和多模态信息进行处理，以提供更全面的理解真实世界的环境。
[0003]但是，上述传统方法由于卷积神经网络提取的图像特征减少导致车辆检测结果不准确：远景中的目标车辆很难被检测到，并且由于小目标车辆像素点特征非常稀少，导致卷积神经网络提取特征过程容易忽视这些重要特征，进而目标检测会遗漏一些车辆目标。

技术实现思路

[0004]根据上述提出的技术问题，提供一种基于注意力机制和角点池化的小目标车辆检测方法，具体包括如下步骤：
[0005]S1：获取自动驾驶数据集、并对该数据集进行数据增强处理；
[0006]S2：基于Hourglass网络、多级注意力网络和多目标角点池化网络构建神经网络模型；
[0007]S3：设计损失函数并利用Adam算法对所述神经网络模型进行优化；
[0008]S4：将增强后的自动驾驶数据集输入至完成优化后的神经网络模型中获取车辆的类别以及位置信息。
[0009]进一步的，S1具体包括：
[0010]将获取的自动驾驶数据集分为训练数据集和测试数据集；
[0011]将训练数据集和测试数据集进行随机裁剪和水平翻转，并调整图像的亮度、对比度和饱和度信息，从而对图像进行增强处理；
[0012]所述训练数据集用于神经网络模型的训练；
[0013]所述测试数据集用于测试神经网络模型的性能。
[0014]进一步的，设计Hourglass网络和注意力机制的新主干网络Hourglass
‑
CA对增强后的自动驾驶数据集进行特征信息提取，并使用多级注意力网络对自动驾驶数据集进行多尺度特征统一和训练得到特征图；将所得特征图经过多目标角点池化模块进行车辆的左上和右下角点预测，从而输出热图、偏移量和嵌入矢量。
[0015]进一步的，所述新主干网络Hourglass
‑
CA包括3个深度为54层的沙漏模块，所述沙漏模块输出图像的深层语义特征；该新主干网络Hourglass
‑
CA在上采样后添加了3个协同
注意力网络从而提高卷积神经网络对特征区域的关注能力；所述新主干网络Hourglass
‑
CA在深层语义特征输入到协同注意力网络之前，使用包含3个卷积的跳过层将原始特征与相应同维度的特征进行融合。
[0016]所述多级注意力网络将Hourglass网络上采样层输出的3个特征图的维度进行统一维度处理，在确保维度统一的前提下进行不同尺度的注意力回归。
[0017]进一步的，设计损失函数并利用Adam算法对所述神经网络模型进行优化时：定义修改的角点池化损失函数计算数据集中图像的四个边缘像素最大值，并将左边界和上边界像素最大值不断池化为左上角点，右边界和下边界池化为右下角点；
[0018]使用平滑平均绝对值损失函数回归左上角点和右下角点的偏移量；
[0019]使用组合损失函数训练时对物体角点进行分组；
[0020]使用分离损失函数分离物体角点；
[0021]定义多层注意力损失函数，将新主干网络Hourglass
‑
CA得到的3个注意力加权的特征图与原始特征图进行注意力回归损失训练，以控制每个位置点对loss的影响程度；
[0022]将修改的角点池化损失函数、平滑平均绝对值损失函数、组合损失函数、分离损失函数以及多层注意力损失函数相加获得整体损失函数，采用Adam算法执行训练过程，所述整体损失函数如下：
[0023]L＝L
det
+L
att
+αL
g
+βL
s
+γL
off
[0024]上式中，α，β设为1，γ为0.9。
[0025]较现有技术相比，本专利技术具有以下优点：
[0026]1、本专利技术提供的基于注意力机制和角点池化的小目标车辆检测方法，并没有使用传统的大型神经网络模型，而是改进并采用自己搭建网络模型，以减少传统方法冗余的网络参数量，减少了大量训练时间。
[0027]2、本专利技术提供的基于注意力机制和角点池化的小目标车辆检测方法，采用角点池化神经网络能更好地处理遮挡对象，尤其是远景车辆的遮挡处理。
[0028]3、本专利技术提供的基于注意力机制和角点池化的小目标车辆检测方法，设计了一种新颖的注意力损失算法，在不同尺度下对小目标特征的像素级融合和训练，从而提升小目标检测效果。
[0029]基于上述理由，本专利技术可在智能交通技术等领域广泛推广。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术方法流程图。
[0032]图2为本专利技术实施例提供的车辆检测模型结构示意图。
[0033]图3为本专利技术实施例提供的不同算法车辆检测的结果图。
[0034]图4为本专利技术实施例提供的不同算法车辆检测的效果对比图。
具体实施方式
[0035]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0036]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0037]如图1所示，本专利技术提供了一种基于注意力机制和角点池化的小目标车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和角点池化的小目标车辆检测方法，其特征在于，包括如下步骤：S1：获取自动驾驶数据集、并对该数据集进行数据增强处理；S2：基于Hourglass网络、多级注意力网络和多目标角点池化网络构建神经网络模型；S3：设计损失函数并利用Adam算法对所述神经网络模型进行优化；S4：将增强后的自动驾驶数据集输入至完成优化后的神经网络模型中获取车辆的类别以及位置信息。2.根据权利要求1所述的基于注意力机制和角点池化的小目标车辆检测方法，包括：将获取的自动驾驶数据集分为训练数据集和测试数据集；将训练数据集和测试数据集进行随机裁剪和水平翻转，并调整图像的亮度、对比度和饱和度信息，从而对图像进行增强处理；所述训练数据集用于神经网络模型的训练；所述测试数据集用于测试神经网络模型的性能。3.根据权利要求1所述的基于注意力机制和角点池化的小目标车辆检测方法，其特征在于：设计Hourglass网络和注意力机制的新主干网络Hourglass
‑
CA对增强后的自动驾驶数据集进行特征信息提取，并使用多级注意力网络对自动驾驶数据集进行多尺度特征统一和训练得到特征图；将所得特征图经过多目标角点池化模块进行车辆的左上和右下角点预测，从而输出热图、偏移量和嵌入矢量。4.根据权利要求3所述的基于注意力机制和角点池化的小目标车辆检测方法，其特征在于，所述新主干网络Hourglass
‑
CA包括3个深度为54层的沙漏模块，所述沙漏模块输出图像的深层语义特征；该新主干网络Hourglass
‑
CA在上采样后添加了3个协同注意力网络从而提高卷积神经网络对特征区...

【专利技术属性】
技术研发人员：郝立颖，杨家睿，张云泽，张健，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：