轻量级多尺度注意力机制的小物体目标检测方法及系统

技术特征：
1.一种基于yolov4的轻量级多尺度注意力机制的小物体目标检测方法，其特征在于，包括如下步骤：步骤1，利用ghostnet作为yolov4目标检测架构的主干特征提取网络提取特征；步骤2，对步骤1所提取到的特征使用多尺度注意力模块捕获从空间和通道两个维度上对小目标图像中具有鉴别性的特征；步骤3，对步骤2中获得的对小目标具有鉴别性特征的特征图采用soft-nms算法降低与当前最佳检测框重叠的检测框的置信度。2.根据权利要求1所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测方法，其特征在于，利用ghostnet作为yolov4目标检测架构的主干特征提取网络提取特征的具体步骤为：步骤1.1，原始图像经过以ghostnet为主干网络的yolov4目标检测架构提取到初步特征；步骤1.2，对提取到的初步特征通过fpn层自顶向下传达强语义特征，再通过pan结构自底向上传达强定位特征，从不同的主干层对不同的检测层进行特征聚合。3.根据权利要求1所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测方法，其特征在于，使用多尺度注意力模块捕获从空间和通道两个维度上对小目标图像中具有鉴别性的特征的具体步骤为：构造一个空间注意力机制模块和一个通道注意力机制模块；其中，通道注意力机制模块的通道注意力机制通过给n个通道的特征图都增加一个权重来表示该通道的特征图与重要特征的相关性，权重越大，表示该通道的特征图包含较多的重要特征；将构造的空间注意力机制模块和通道注意力机制模块结合，构造多尺度注意力机制；其中，多尺度注意力机制采用4条支路对输入的特征图进行多尺度特征提取，第一条支路使用一个1
×
1的卷积运算，第二条支路使用两个级联的1
×
3卷积运算和3
×
1卷积运算，第三条支路使用两个级联的1
×
5卷积运算和5
×
1卷积运算，第四条支路使用两个级联的3
×
3的最大池化运算和1
×
1的卷积运算；首先，将特征图张量输入到空间注意力机制模块进行计算以添加空间注意力，得到特征图张量，其中w、h、c分别为特征图的宽度、高度和通道数；然后，使用个1
×
1卷积核对特征图张量s进行卷积运算，得到特征图张量；接着，使用多尺度注意力机制的4条支路分别对特征图张量进行多尺度特征提取，得到多尺度的特征图张量、、、；采用concat操作对特征图张量p1、p2、p3和p4进行特征融合，得到特征图张量；再将特征图张量q输入到通道注意力机制模块进行计算以添加通道注意力，得到特征图张量；最后采用add操作对特征图张量s和c进行特征融合，得到特征图张量，作
为多尺度注意力机制的输出。4.根据权利要求1所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测方法，其特征在于，采用soft-nms算法降低与当前最佳检测框重叠的检测框的置信度的soft-nms算法的衰减公式为：其中，s
i
为置信度，b
i
为检测框，用于调节衰减程度。5.一种基于yolov4的轻量级多尺度注意力机制的小物体目标检测系统，其特征在于，包括：第一特征提取模块，利用ghostnet作为yolov4目标检测架构的主干特征提取网络进行特征提取；第二特征提取模块，与第一特征提取模块连接，对第一特征提取模块提取到的特征使用多尺度注意力模块中的多尺度注意力捕获从空间和通道两个维度上对小目标图像中具有鉴别性的特征；检测输出模块，与第二特征提取模块连接，采用soft-nms算法降低第二特征提取模块输出的特征图中检测框与当前最佳检测框重叠的检测框的置信度。6.根据权利要求5所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测系统，其特征在于，利用ghostnet作为yolov4目标检测架构的主干特征提取网络进行特征提取的具体步骤为：步骤1.1，原始图像经过以ghostnet为主干网络的yolov4目标检测架构提取到初步特征；步骤1.2，对提取到的初步特征通过fpn层自顶向下传达强语义特征，再通过pan结构自底向上传达强定位特征，从不同的主干层对不同的检测层进行特征聚合。7.根据权利要求5所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测系统，其特征在于，使用多尺度注意力模块捕获从空间和通道两个维度上对小目标图像中具有鉴别性的特征的具体步骤为：构造一个空间注意力机制模块和一个通道注意力机制模块；其中，通道注意力机制模块的通道注意力机制通过给n个通道的特征图都增加一个权重来表示该通道的特征图与重要特征的相关性，权重越大，表示该通道的特征图包含较多的重要特征；将构造的空间注意力机制模块和通道注意力机制模块结合，构造多尺度注意力机制；其中，多尺度注意力机制采用4条支路对输入的特征图进行多尺度特征提取，第一条支路使用一个1
×
1的卷积运算，第二条支路使用两个级联的1
×
3卷积运算和3
×
1卷积运算，第三条支路使用两个级联的1
×
5卷积运算和5
×
1卷积运算，第四条支路使用两个级联的3
×
3的最大池化运算和1
×
1的卷积运算；首先，将特征图张量输入到空间注意力机制模块进行计算以添加空间注意力，得到特征图张量力，得到特征图张量，其中w、h、c分别为特征图的宽度、高度和通道数；
然后，使用个1
×
1卷积核对特征图张量s进行卷积运算，得到特征图张量；接着，使用多尺度注意力机制的4条支路分别对特征图张量进行多尺度特征提取，得到多尺度的特征图张量、、、；采用concat操作对特征图张量p1、p2、p3和p4进行特征融合，得到特征图张量；再将特征图张量q输入到通道注意力机制模块进行计算以添加通道注意力，得到特征图张量；最后采用add操作对特征图张量s和c进行特征融合，得到特征图张量，作为多尺度注意力机制的输出。8.根据权利要求5所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测系统，其特征在于，采用soft-nms算法降低与当前最佳检测框重叠的检测框的置信度的soft-nms算法的衰减公式为：其中，s
i
为置信度，b
i
为检测框，用于调节衰减程度。9.一种小物体目标检测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-4中任一项所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测方法。10.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-4中任一项所述的基于yolov4的轻量级多尺度注意力机制的小物体目标检测方法。

技术总结
本发明提供一种轻量级多尺度注意力机制的小物体目标检测方法及系统，方法包括如下步骤：步骤1，利用GhostNet作为YOLOv4目标检测架构的主干特征提取网络提取特征；步骤2，对步骤1所提取到的特征使用多尺度注意力模块捕获从空间和通道两个维度上对小目标图像中具有鉴别性的特征；步骤3，对步骤2输出的特征图采用Soft-NMS算法降低与当前最佳检测框重叠的检测框的置信度。本发明网络结构尺寸小、检测速度快、对小目标的检测效果好，完全满足实时性场景的要求，有非常高的实用价值。有非常高的实用价值。有非常高的实用价值。


技术研发人员：鲁慧民 马菘哲 王贵增 薛涵 桑鹏程
受保护的技术使用者：长春工业大学
技术研发日：2022.10.11
技术公布日：2022/12/16