【技术实现步骤摘要】
本专利技术属于人工智能，具体涉及计算机视觉中的不良天气下目标检测领域，特别是涉及一种基于多尺度混合注意力模块的不良天气下目标检测方法。
技术介绍
1、在城市化快速发展的背景下，车辆数量激增导致交通拥堵问题日益严重，而雾天等不良天气条件进一步加剧了这一挑战。在这种情况下，提高目标检测的准确性对于确保交通安全至关重要。深度学习技术的进步使得基于卷积神经网络的目标检测算法成为主流，这些算法通过提取图像特征来定位和识别目标。然而，在雾天等不良天气环境下，图像的细节和纹理信息都受到损失，图像质量变差，图像中存在很多干扰信息和噪声，导致神经网络很难将背景与目标良好地区分开。另一方面，在雾天等不良天气环境下，图像不够清晰，导致图像上往往存在较多的小目标，也给目标检测增加了难度，很容易出现大量误检漏检问题。
2、为了应对这些挑战，研究者们开发了多种策略。双阶段目标检测算法，如fasterr-cnn，虽然精度高，但计算量大，不适合实时应用。相比之下，单阶段目标检测算法，如yolo和ssd，因其快速的检测速度更适合实时场景。而为了提高雾天等不良...
【技术保护点】
1.基于多尺度混合注意力模块的不良天气下目标检测方法，其特征在于：首先将待检测不良天气下场景图片送入主干网络进行特征提取，得到不良天气下场景图片的特征图；然后将特征图作为轻量级多尺度特征融合模块的输入，经过四个扩张率不同的深度可分离扩张卷积分别进行不同尺度的特征提取，从而在不良天气下增强小目标的特征表示，使得小目标信息变得更加明显，然后在通道维度上进行拼接，得到不良天气场景下的多尺度特征图；然后将多尺度特征图送入精细化调整之后的通道注意力模块，得到精细化调整的通道注意力权重，然后对多尺度特征图进行通道级别的加权，从而增强在不良天气条件下包含更多重要信息的通道特征，抑制...
【技术特征摘要】
1.基于多尺度混合注意力模块的不良天气下目标检测方法，其特征在于：首先将待检测不良天气下场景图片送入主干网络进行特征提取，得到不良天气下场景图片的特征图；然后将特征图作为轻量级多尺度特征融合模块的输入，经过四个扩张率不同的深度可分离扩张卷积分别进行不同尺度的特征提取，从而在不良天气下增强小目标的特征表示，使得小目标信息变得更加明显，然后在通道维度上进行拼接，得到不良天气场景下的多尺度特征图；然后将多尺度特征图送入精细化调整之后的通道注意力模块，得到精细化调整的通道注意力权重，然后对多尺度特征图进行通道级别的加权，从而增强在不良天气条件下包含更多重要信息的通道特征，抑制与目标检测任务不太相关的通道，得到中间特征图；然后对中间特征图进行通道混洗，进一步打乱和重新排列通道，用以促进不良天气下不同尺度特征之间的信息交换，有助于帮助模型更好的理解和处理不良天气造成的图像退化问题；然后将特征增强后的特征图送入空间注意力模块，从而缓解在不良天气下目标的轮廓和形状可能会变得模糊不清的问题，提高模型对目标区域的敏感度，如此便得到最终精细化调整之后的输出特征图；最后将输出特征图送入检测头便得到不良天气场景下的目标检测结果；
2.根据权利要求1所述的基于多尺度混合注意力模块的不良天气下目标检测方法，其特征在于，步骤2中的轻量级多尺度特征融合模块包含四个并行的深度可分离扩张卷积分支，使得每组特征图具有不同的感受野信息，最后将输出结果进行拼接，实现多尺度特征融合；使用3×3的卷积核，扩张率分别为1、2、3、4，便得到3×3、5×5、7×7、9×9的感受野；而在卷积的计...
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。