(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210376564.X (22)申请日 2022.04.11 (71)申请人 石河子大 学 地址 832000 新疆维吾尔自治区石河子市 北四路221号 (72)发明人 鲁敏　潘志恒　许刘超　潘奎　 (74)专利代理 机构 重庆纵义天泽知识产权代理 事务所(普通 合伙) 50272 专利代理师 舒梦来 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/42(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于空间注 意、 通道注 意的目标检测方 法 (57)摘要 本发明公开了基于空间注 意、 通道注 意的目 标检测方法， 通过采集并获取检测图像， 检测图 像为红外图像； 根据目标特征图训练生成卷积神 经网络CNN， 并对红外图像执行目标检测； 卷积神 经网络CNN中， 相对浅层生成的特征图通过切片 拼接操作与深层生成的特征图进行拼接； 沿通道 维度将特征图划分为G组； 采用多尺度的平均池 化方法分别获取全局和局部统计特征， 并执行空 间增强操作； 卷积神经网络CNN中的多个池化层， 对应生成其对应的权重； 对不同池化层所在的不 同通道的关注度执行增强或抑制， 生成目标特征 图。 通过在不同的高阶语义下突出多个感兴趣的 目标， 并抑制背景噪声， 利用多个不同的池化层 来选择性地增强或抑制特定的通道， 使注意力资 源分配更加合理。 权利要求书3页 说明书14页 附图6页 CN 114882237 A 2022.08.09 CN 114882237 A 1.一种基于空间注意、 通道 注意的目标检测方法， 其特 征在于， 包括： 采集并获取检测图像， 所述检测图像为红外图像； 根据目标特征图训练生成卷积神经网络CNN， 根据所述卷积神经网络CNN对所述红外图 像执行目标检测； 其中， 所述卷积神经网络CNN中， 相对浅层生成的特征图通过切片拼接操作与深层生成 的特征图进 行拼接； 沿着通道维度将所述特征图划分为G组； 采用多尺度的平均池化方法分 别获取全局 和局部统计特 征， 并执行空间增强操作； 所述卷积神经网络CNN中的多个池化层， 对应生成其对应的权重； 对不同池化层所在的 不同通道的关注度执 行增强或抑制， 以生成所述目标 特征图。 2.根据权利要求1所述的基于空间注意、 通道注意的目标检测方法， 其特征在于， 所述 空间增强操作包括： 通过全局平均函数和局部平均函数获得全局和局部统计特征， 对该群 体学习表示的语义向量进行近似： 其中， k是池化区域大小， s＝(k ‑1)/2， xij∈RC/G； x是像素点的值， ij是像素点坐标； C表 示通道数， G为沿着通道维度将所述特 征图划分为的组数； RC/G为分组后的特 征图像； 然后， 对每 个特征进行点积 操作， 用来衡量语义特 征g与局部特 征x之间的相似度ci： cij＝gij·xij 对c在空间上 执行归一化操作： 其中， m＝H ×W， 为数值稳定性添加的常数， H为特征图像高度， W为特征图像宽度； ∈为 了保证在网络中插入归一化来表示恒等变换， 对每个系数引入缩放参数γ、 移位参数β， 对 归一化结果进行缩放和移位： 最后， 利用si gmoid函数生成的重要系数对原始特征进行空间缩放， 得到增强后的特征 其中， σ 为sigmo id函数； 所有增强后的特 征图构成所述空间增强操作的输出。 3.根据权利要求2所述的基于空间注意、 通道注意的目标检测方法， 其特征在于， 所述权　利　要　求　书 1/3 页 2 CN 114882237 A 2池化层为 三个； 对不同池化层所在的不同通道的关注度执 行增强或抑制， 包括： A(F)＝ES{σ(MLP(avgpo ol(F)), σ(MLP(maxpo ol(F)), σ(MLP(LSEpo ol))} 式中， A(F)为所述通道的关注度， 所有输入的MLP权值共享， ES为增强和抑制操作， σ 为 sigmoid函数； 然后， 采用上采样函数upsample()， 重复ES运 算， 得到校正后的通道的关注度： 4.根据权利要求3所述的基于空间注意、 通道注意的目标检测方法， 其特征在于， 所述 ES{}运算包括： 如果参数中的存在任意参数值大于0.5， 则 取最大值作为特征图权重； 如果 在同一位置的三个向量的任意 值都小于 0.5， 取最小值作为特 征图权重。 5.根据权利要求1所述的基于空间注意、 通道注意的目标检测方法， 其特征在于， 所述 卷积神经网络CNN中， 相对浅层生成的特征图通过切片拼接操作与深层生成的特征图进行 拼接， 包括： 生成与需要切片拼接的张量形状相同的全零张量， 通道数量设为C； 将浅层张量与全零张量进行拼接， 再将全零张量与深层张量拼接， 形成两个新的通道 数为2C的待操作张量； 将这两个张量的通道维数使用reshape操作调整为(C,2)， 并转置为(2,C)； 根据reshape函数将其变换为2C通道， 并将这两个张量相加。 6.一种基于空间注意、 通道 注意的目标检测装置， 其特 征在于， 包括： 采集模块， 采集并获取检测图像， 所述检测图像为红外图像； 检测模块， 根据目标特征图训练生成卷积神经网络CNN， 根据所述卷积神经网络CNN对 所述红外图像执 行目标检测； 其中， 所述卷积神经网络CNN中， 相对浅层生成的特征图通过切片拼接操作与深层生成 的特征图进 行拼接； 沿着通道维度将所述特征图划分为G组； 采用多尺度的平均池化方法分 别获取全局 和局部统计特 征， 并执行空间增强操作； 所述卷积神经网络CNN中的多个池化层， 对应生成其对应的权重； 对不同池化层所在的 不同通道的关注度执 行增强或抑制， 以生成所述目标 特征图。 7.根据权利要求6所述的基于空间注意、 通道注意的目标检测装置， 其特征在于， 所述 空间增强操作包括： 通过全局平均函数和局部平均函数获得全局和局部统计特征， 对该群 体学习表示的语义向量进行近似： 其中， k是池化区域大小， s＝(k ‑1)/2， xij∈RC/G； x是像素点的值， ij是像素点坐标； C表 示通道数， G为沿着通道维度将所述特 征图划分为的组数； RC/G为分组后的特 征图像； 然后， 对每 个特征进行点积 操作， 用来衡量语义特 征g与局部特 征x之间的相似度ci： cij＝gij·xij 对c在空间上 执行归一化操作：权　利　要　求　书 2/3 页 3 CN 114882237 A 3