申请/专利权人：北京工业大学

申请日：2021-03-22

公开（公告）日：2024-03-12

公开（公告）号：CN113095479B

主分类号：G06V20/05

分类号：G06V20/05;G06V10/82;G06V10/764;G06V10/80;G06N3/045;G06N3/0464;G06N3/048;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2021.07.27#实质审查的生效;2021.07.09#公开

摘要：一种基于多尺度注意力机制的冰下层结构提取方法，涉及使用计算机视觉领域。本发明提出了一种新型的MsANet网络，该网络以双分支卷积网络作为骨干网络，不仅融合了多尺度特征，且使用了3D注意力机制，以进一步对3D雷达拓扑序列中不同冰层独有的特征进行额外的特征建模，实现了对不同冰层空间关系的细化处理。3D注意力机制和多尺度模块形成的注意力多尺度模块，使得检测到的重要冰层特征可以通过利用多尺度模块得到更丰富的尺度特征，进一步加强对关键冰层特征的建模能力。本发明同时检测多个冰层位置作为不同任务，利用两分支结构分别学习不同位置冰层的独有特征，最终实现了快速、高精度的基于MsANet网络的冰下层结构提取算法。

主权项：1.一种基于多尺度注意力机制的冰下层结构提取方法，其特征在于，提出的网络搭建结构如下：MsANet由三个部分组成：低级特征提取阶段，高级特征提取阶段和分类阶段；低级特征提取阶段的特征在于通过一个卷积层结构和多尺度模块完成对输入冰下层结构的通用低级特征的多尺度表示，以供为后续提取冰层结构的高级特征做准备；高级特征提取阶段利用含有卷积层、注意力模块和多尺度模块的两路分支结构以分别学习冰表面层和冰基岩层独有的可区别特征；分类阶段利用上述提取到的高级特征进行组合分类，以对目标冰层结构的位置进行准确预测提取；在特征提取阶段，除第一个块外，均引入了多尺度模块，以进行对冰层特征的多尺度表示，增强网络对冰层特征的表示能力；在高级特征提取阶段，在卷积层之后引入的注意力多尺度模块，先利用注意力机制捕获冰下层结构的重要特征，然后再送入多尺度模块，增强对重要的冰层特征的多尺度表示，提高对冰下层结构的空间-序列关系的建模能力；其中多尺度模块由三条支路组成，三条支路上分别存在一个不同尺度大小的卷积滤波器，其中卷积核大于3的卷积滤波器进行分解，以减少网络参数量；紧接着，三条支路输出的多尺度特征被级联在一起，以最大程度保留学习的多尺度特征；然后，依次送入瓶颈单元和池化层分别得到对通道间和空间特征的下采样；其中注意力模块分为两个子模块，分别为3D位置注意力模块和3D通道注意力模块；3D位置注意力模块着重关注于冰层特征的空间位置关系，在全局空间中的整合相似特征，而3D通道注意力模块着重关注于冰层特征通道之间的关联，以增强通道下特定语义响应能力；使用MsANet网络实现冰下层结构提取的过程训练时的特征：输入到MsANet的数据是连续的T帧的雷达拓扑图；以实际的第个拓扑切片作为地面真值，将地面真值与网络提取得到的冰层位置输入到损失函数中进行网络参数的优化，并使用了指数型变化的学习率以更好的匹配网络的学习速度。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于多尺度注意力机制的冰下层结构提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD