【技术实现步骤摘要】
本申请涉及目标检测模型领域，特别是涉及一种用于道路病害检测的无因果性目标检测模型、方法及应用。
技术介绍
1、城市道路病害检测是城市市政管理部门的一项重要任务，当城市道路上出现各种病害（比如裂缝、坑洼、积水等）都会给行人和车辆带来诸多出行上的不便，严重时甚至会引发交通事故。目前随着深度学习技术的发展，越来越多的目标检测模型被用于道路病害检测场景中，许多研究人员在道路病害目标检测领域取得了一定的进展，但是这些方法的应用具有局限性，道路病害检测作为一个实例级检测问题，在实际设计和使用中仍面临许多问题。
2、近些年比较热门的模型是视觉transformer (vit)，视觉 transformer (vit)和cnn模型不同的一点是对输入图像处理方式的不同：vit的处理方式是分块化(patchification)将图像切割成不重叠的patches，并对这些patches通过线性映射得到的tokens进行后续的运算。而cnn通过一些密集的，重叠的卷积来处理输入图片，使之转化成特征图。所以vit这种与cnn完全不同的处理图像的范式解锁...
【技术保护点】
1.一种用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，第一卷积模块包括依次连接的三个3*3卷积，且第二个3*3卷积为3*3分布移位卷积，第三个3*3卷积的步长为2；第二卷积模块、第三卷积模块和第四卷积模块均为卷积步长为2的3*3卷积。
3.根据权利要求1所述的用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，卷积自注意力机制模块中的卷积自注意力模块包括并行的第一卷积自注意力分支、第二卷积自注意力分支以及第三卷积注意力...
【技术特征摘要】
1.一种用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，第一卷积模块包括依次连接的三个3*3卷积，且第二个3*3卷积为3*3分布移位卷积，第三个3*3卷积的步长为2；第二卷积模块、第三卷积模块和第四卷积模块均为卷积步长为2的3*3卷积。
3.根据权利要求1所述的用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，卷积自注意力机制模块中的卷积自注意力模块包括并行的第一卷积自注意力分支、第二卷积自注意力分支以及第三卷积注意力分支，输入到卷积自注意力机制模块中的特征经过第一卷积自注意力分支、第二卷积自注意力分支以及第三卷积注意力分支中分别得到嵌入特征q、嵌入特征k以及嵌入特征v,嵌入特征q和嵌入特征k经过余弦相似度计算后，随后输入到卷积核中同高斯距离进行融合后并输入到可扩展卷积核中进行卷积处理得到第一层特征，嵌入特征v同第一层特征融合后经过卷积模块的处理得到第二层特征，第二层特征同输入到卷积自注意力模块的输入特征融合后作为卷积自注意力模块的输出。
4.根据权利要求3所述的用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，第一卷积自注意力分支设有3*3卷积，第二卷积自注意力分支包括3*3卷积以及嵌入特征交互融合模块，第三卷积自注意力分支包括3*3卷积以及嵌入特征交互融合模块；其中嵌入特征交互融合模块包括并行的第一嵌入特征分路和第二嵌入特征分路，其中第一嵌入特征分路和第二嵌入特征分路均包括依次设置的深度可分离卷积和3*3深度分离卷积，第一嵌入特征分路的深度可分离卷积对输入的特征进行下采样得到第一键值矩阵，第一键值矩阵再采样得到第三键值矩阵，第二嵌入特征分路的深度可分离卷积对输入的特征进行下采样得到第二键值矩阵，第一键值矩阵和第二键值矩阵输入到第二嵌入特征分路的3*3深度分离卷积中，第三键值矩阵和第二键值矩阵输入到第一嵌入特征分路的3*3深度分离卷积中，第一嵌入特征分路和第二嵌入特征分路的两个输出特征进行融合后进行1*1卷积得到嵌入特征交互融合模块的输出特征。
5.根据权利要求1所述的用于道路病害检测的无因果性目标检测模型的构建方法，其特征在于，坐标自注意力模块中的深度分离卷积模块包括3*3深度分离卷积...
【专利技术属性】
技术研发人员：张香伟，汪九尧，黎维，雷卓，
申请(专利权)人：城云科技中国有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。