基于图注意力加权增强的Conditional DETR图像检测方法技术

一种基于图注意力加权增强的Conditional DETR图像检测方法，由数据集预处理、构建Conditional DETR网络、训练Conditional DETR网络、保存模型、测试Conditional DETR网络步骤组成。Conditional DETR网络模型由骨干网络、编码器‑解码器特征聚合模块、预测网络依次串联构成，骨干网络以ResNet50为骨干网络提取图像特征，用于特征聚合模块中编码器的输入；编码器‑解码器特征聚合模块由自注意力机制模块与交叉注意力机制模块串联构成；预测网络使用编码器‑解码器输出特征进行分类和回归预测，实现对目标的准确检测。本发明专利技术具有检测精度高、鲁棒性强等优点，可用于图像的目标检测。

【技术实现步骤摘要】

本专利技术属于图像处理，具体涉及到对图像进行目标检测。

技术介绍

1、目标检测主要包括目标分类和位置回归两部分，在目标跟踪、行人重识别、视频理解
，目标检测是影响性能的核心。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测在计算机视觉
仍然是有待解决的技术问题之一。究其问题核心，主要包括确定图像中某区域的类别、目标准确定位、解决目标尺寸多样性目标存在的形状差异问题。

2、在卷积神经网络中，卷积运算通常采用提取局部特征，在捕获全局特征表示方面有一定局限性。transformer通过级联注意力模块可以反映复杂的空间变换和长距离特征依赖性，从而获得更全面的全局特征表示。在目标检测过程中，需要模型有效地区分前景和背景，需考虑前景间的语义联系，全局特征可增大模型视野，有效地改善目标检测性能。

技术实现思路

1、本专利技术所要解决的技术问题在于克服上述现有技术缺点，提供一种目标检测精度高、鲁棒性强的基于图注意力加权增强的conditional detr图像检测方法。本文档来自技高网...

【技术保护点】

1.一种基于图注意力加权增强的Conditional DETR图像检测方法，其特征在于由以下步骤组成：

2.根据权利要求1所述的基于图注意力加权增强的Conditional DETR图像检测方法，其特征在于：在步骤(2)构建Conditional DETR网络中，所述的自注意力机制模块1由自注意力计算层1与归一化层1、全连接层1、ReLU激活函数层1、Dropout层1、全连接层2、Dropout层2、归一化层2依次串联构成；

3.根据权利要求1所述的基于图注意力加权增强的Conditional DETR图像检测方法，其特征在于：在步骤(2)构建Condition...

【技术特征摘要】

1.一种基于图注意力加权增强的conditional detr图像检测方法，其特征在于由以下步骤组成：

2.根据权利要求1所述的基于图注意力加权增强的conditional detr图像检测方法，其特征在于：在步骤(2)构建conditional detr网络中，所述的自注意力机制模块1由自注意力计算层1与归一化层1、全连接层1、relu激活函数层1、dropout层1、全连接层2、dropout层2、归一化层2依次串联构成；

3.根据权利要求1所述的基于图注意力加权增强的conditional detr图像检测方法，其特征在于：在步骤(2)构建conditional detr网络中，所述的解码器的参考点生成模块1由全连接层5与全连接层6串联构成；所述的参考点生成模块2、参考点生成模块3、参考点生成模块4、参考点生成模块5、参考点生成模块6的结构与参考点生成模块1的结构相同。

4.根据权利要求1所述的基于图注意力...

【专利技术属性】
技术研发人员：谢娟英，鲁银圆，许升全，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：