【技术实现步骤摘要】
本专利技术涉及计算机视觉检测，具体涉及一种基于轻量级注意力机制的轻量级目标检测方法。
技术介绍
1、注意力机制的核心思想是把更多的关注度集中在需要的目标上，以此加深对目标区域的信息获取，也就是使用全局信息来选择性地突出信息量大的特征并遏制信息量小的特征，有效配置信息处理资源，从而高效快速地完成深度学习、计算机视觉等任务，并一定程度上提升模型精度。
2、在现实生活中，由于光线不足，阴影重叠等多方面原因的干扰，造成低光度场景的目标检测困难问题。高精度的目标检测方法大多基于繁杂庞大的网络结构，实时性差且难以部署在计算资源有限的边缘端设备；而经过剪枝等方式得到的轻量级目标检测模型拥有较强的拓展性，能够灵活应用在边缘端，但是精度远低于复杂的目标检测方法，较难满足应用需求。如何实现目标检测网络的高精度或轻量化在各自的领域内已经有了一定的研究，但是如何保证网络最轻量化的同时，尽量提升精度达到复杂网络的程度仍然是一个具有挑战性的课题。
技术实现思路
1、本专利技术提供了一种基于轻量级注意力机制的轻量级目标检测方法，适用于在边缘端部署，实现保证整体模型轻量化要求的同时高效提升模型检测精度，节约计算资源，加速机器视觉的落地应用。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种基于轻量级注意力机制的轻量级目标检测方法，包括以下步骤：
4、步骤s010，构建轻量级通道注意力模块；
5、步骤s020，构建轻量级空间注意力模块；>
6、步骤s030，将所述通道注意力模块与空间注意力模块进行并行连接，并为并行连接后的模块添加残差结构，形成轻量级注意力层；
7、步骤s040，将轻量级注意力层嵌入yolov5特征提取网络的最后一层，进行模型训练，并用训练好的模型进行目标检测。
8、优选的，所述步骤s010包括以下步骤：
9、步骤s011，对特征图的每个通道进行全局平均池化和全局最大池化，得到通道平均池化二维矩阵和通道最大池化二维矩阵；
10、步骤s012，对通道平均池化二维矩阵和通道最大池化二维矩阵分别进行一维卷积完成特征融合；
11、步骤s013，将两组特征融合的结果矩阵按元素相加后添加非线性激励，得到通道注意力矩阵，将通道注意力矩阵与输入特征图按元素相乘，即得到通道注意力输出特征图。
12、优选的，所述步骤s011包括以下步骤：
13、步骤s0111，设特征图χ的宽、高、通道数分别为w,h，c，对特征图χ的每个通道χc进行全局平均池化，公式如下：
14、
15、式中，c_gap(χc)为全局平均池化结果，χij是通道χc在其通道位置(i,j)处的像素值，i,j分别为通道在宽度方向、高度方向的坐标，c为通道χc的通道序号；
16、将每个通道的全局平均池化结果进行拼接，得到处理后的一维矩阵：
17、
18、步骤s0112，对上述特征图的每个通道进行全局最大池化，公式如下：
19、c_gmp(χc)＝max[(χij)c]，1≤i≤w,1≤j≤h，1≤c≤c (1-3)
20、式中，(χij)c表示第c个通道上的位置为(i,j)的像素点的值；
21、步骤s0113，将每个通道的全局最大池化结果进行拼接，得到处理后的一维矩阵：
22、c_gmp(χ)＝[max(χij)1,…,max(χij)c,…,max(χij)c] (1-4)。
23、优选的，所述步骤s012包括以下步骤：
24、步骤s0121，对步骤s0111中得到的两个池化后的一维矩阵c_gap(χ)和c_gmp(χ)分别进行一维卷积，得到两个融合特征矩阵，公式如下：
25、fc_gap＝conv1d(c1,c2,k)*c_gap(χ) (1-5)
26、fc_gmp＝conv1d(c1,c2,k)*c_gmp(χ) (1-6)
27、式中，fc_gap、fc_gmp分别表示c_gap(χ)、c_gmp(χ)的融合特征矩阵，conv1d表示卷积函数，c1，c2，k表示一维卷积核的输入通道数，输出通道数和卷积核尺寸。
28、优选的，所述步骤s013包括以下步骤：
29、步骤s0131，将步骤s0121中得到的两组特征融合的结果矩阵fc_gap和fc_gmp进行逐元素相加，得到综合特征融合矩阵fcam，公式如下：
30、
31、式中表示两矩阵的逐元素相加操作；
32、步骤s0132，对步骤s0131得到的综合融合矩阵fcam，添加sigmoid非线性激励后进行平方，得到通道注意力矩阵mcam，公式如下：
33、mcam＝[σ2(fcam)] (1-8)
34、式中，σ(·)为sigmoid非线性激活函数；
35、步骤s0133，将步骤s0132中的一维通道注意力矩阵每个元素与输入特征图finput每个二
36、维通道中的各元素相乘，得到通道注意力模块输出特征图fcam，公式如下：
37、
38、式中，表示一位数值和二维矩阵的数乘。
39、优选的，所述步骤s020包括以下步骤：
40、步骤s021，按通道传递的方向进行全局平均池化和全局最大池化，得到全局平均池化二维矩阵和全局最大池化二维矩阵；
41、步骤s022，将全局平均池化二维矩阵和全局最大池化二维矩阵进行拼接，采用二维卷积对拼接后的池化结果进行特征融合；
42、步骤s023，对特征融合后的结果矩阵添加非线性激励，得到空间注意力矩阵，将空间注意力矩阵与输入特征图按元素相乘，得到空间注意力输出特征图。
43、优选的，所述步骤s021包括以下步骤：
44、步骤s0211，设特征图χ的宽、高、通道数分别为w,h，c，对特征图χ的按通道传递方向进行全局平均池化，每个位置的平均池化公式如下：
45、
46、式中，χij是每个通道上位置(i,j)处的像素值；s_gap(χij)是χij按通道传递方向进行全局平均池化的结果；
47、平均池化得到w×h二维矩阵s_gap(χ)，公式如下：
48、
49、步骤s0212，对上述特征图按通道传递方向进行全局最大池化，每个位置的最大池化公式如下：
50、s_gmp(χij)＝max[(χc)ij]， 1≤i≤w,1≤j≤h，1≤c≤c (2-3)
51、式中，s_gmp(χij)表示全局最大池化的结果，本文档来自技高网...
【技术保护点】
1.一种基于轻量级注意力机制的轻量级目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S010包括以下步骤：
3.根据权利要求2所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S011包括以下步骤：
4.根据权利要求2所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S012包括以下步骤：
5.根据权利要求2所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S013包括以下步骤：
6.根据权利要求1所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S020包括以下步骤：
7.根据权利要求6所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S021包括以下步骤：
8.根据权利要求6所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S022包括以下步骤：
9.根据权利要求6所述的基于轻量级注意力机制的轻量
10.根据权利要求1所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤S030包括以下步骤：
...【技术特征摘要】
1.一种基于轻量级注意力机制的轻量级目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤s010包括以下步骤：
3.根据权利要求2所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤s011包括以下步骤：
4.根据权利要求2所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤s012包括以下步骤：
5.根据权利要求2所述的基于轻量级注意力机制的轻量级目标检测方法，其特征在于，所述步骤s013包括以下步骤：
6.根据权...
【专利技术属性】
技术研发人员：肖菲，陈嫒靓霏，陈志文，唐晓丹，邓撬，柯浩彬，
申请(专利权)人：长沙长信信息科技有限公司，
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。