【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，尤其涉及一种基于多层次注意力引导的特征融合方法。
技术介绍
1、随着深度学习技术在计算机视觉领域的广泛应用，多层次特征融合成为提升模型性能的关键环节，尤其在目标检测、图像分割及深度伪造检测等任务中，如何有效整合不同层级的语义信息与细节特征直接影响着模型的判别能力。现有特征融合方法主要依赖特征金字塔网络及其变体，通过自上而下或双向连接实现多尺度特征传递，然而在实际应用中仍存在显著缺陷。
2、传统特征金字塔方法通常采用逐元素相加或通道拼接等简单操作融合不同层级的特征，此类方法忽视了浅层特征与深层特征在空间对齐性与语义一致性上的本质差异。例如，在深度伪造检测场景中，浅层特征包含的高频伪影与深层特征编码的面部结构语义存在空间错位，直接相加操作会导致关键伪造线索的响应强度衰减超过40％。此外，现有方法普遍采用固定权重的特征融合策略，无法自适应调整不同层级特征的重要性比例，当面临光照变化、分辨率差异或新型伪造手段时，模型泛化性能急剧下降，跨数据集测试中的平均精度损失高达25％
3、以上。
...【技术保护点】
1.一种基于多层次注意力引导的特征融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多层次注意力引导的特征融合方法，其特征在于，所述步骤S2中空间注意力加权包括：采用全局平均池化层提取空间注意力图Ms，通过全连接层计算空间权重系数αs，并按进行特征重构，其中表示逐元素乘积，σ为Sigmoid激活函数。
3.根据权利要求1所述的基于多层次注意力引导的特征融合方法，其特征在于，所述步骤S2中通道注意力加权包括：使用点卷积层提取通道特征fc，结合ReLU激活函数生成通道权重图βc，并按Fc＝fc⊙βc完成通道维度特征筛选，其中⊙表示通...
【技术特征摘要】
1.一种基于多层次注意力引导的特征融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多层次注意力引导的特征融合方法，其特征在于，所述步骤s2中空间注意力加权包括：采用全局平均池化层提取空间注意力图ms，通过全连接层计算空间权重系数αs，并按进行特征重构，其中表示逐元素乘积，σ为sigmoid激活函数。
3.根据权利要求1所述的基于多层次注意力引导的特征融合方法，其特征在于，所述步骤s2中通道注意力加权包括：使用点卷积层提取通道特征fc，结合relu激活函数生成通道权重图βc，并按fc＝fc⊙β...
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。