申请/专利权人:广东工业大学
申请日:2023-08-09
公开(公告)日:2024-04-02
公开(公告)号:CN117115583B
主分类号:G06V10/774
分类号:G06V10/774;G06V10/80;G06V10/82;G06V10/44;G06V10/26;G06N3/0464;G06N3/048;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.02#授权;2023.12.12#实质审查的生效;2023.11.24#公开
摘要:本发明公开了一种基于交叉融合注意力机制的危险品检测方法,包括:获取太赫兹图像,所述太赫兹图像包括:训练图像和测试图像;构建深度学习网络模型,所述深度学习网络模型包括:backbone特征提取网络、neck特征提取网路、高效融合模块、交叉融合自注意力和YoloHead检测头;基于所述训练图像训练所述深度学习网络模型,得到训练好的深度学习网络模型将所述测试图像输入至训练好的深度学习网络模型中,输出危险品检测结果。本发明引入了高效融合模块和交叉融合自注意力,能够有效利用太赫兹图像中的特征信息,提高危险品目标的检测准确性和鲁棒性,同时轻量化原始检测网络,降低网络的复杂度,提高计算效率。
主权项:1.一种基于交叉融合注意力机制的危险品检测方法,其特征在于,包括以下步骤:获取太赫兹图像,所述太赫兹图像包括:训练图像和测试图像;构建深度学习网络模型,所述深度学习网络模型包括:backbone特征提取网络、neck特征提取网路、高效融合模块、交叉融合自注意力和YoloHead检测头;基于所述训练图像训练所述深度学习网络模型,得到训练好的深度学习网络模型;将所述测试图像输入至训练好的深度学习网络模型中,输出危险品检测结果;训练所述深度学习网络模型的过程包括:基于所述高效融合模块,将backbone特征提取网络、neck特征提取网路各自输出的特征图进行跨空间、跨通道融合,得到第一输出特征图;跨空间融合的过程包括:获取输入特征图,通过卷积层扩大所述输入特征图的通道维数,并分割得到第一特征图,将所述第一特征图分别通过本地特征提取块、全局特征提取块,得到重要信息和全局上下文信息,将所述重要信息、所述全局上下文信息进行相加,得到第一注意力权重。
全文数据:
权利要求:
百度查询: 广东工业大学 基于交叉融合注意力机制的危险品检测方法及装置
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。