申请/专利权人：南京莱斯电子设备有限公司

申请日：2021-09-24

公开（公告）日：2024-04-26

公开（公告）号：CN113807291B

主分类号：G06V20/52

分类号：G06V20/52;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.01.04#实质审查的生效;2021.12.17#公开

摘要：本发明提供了一种基于特征融合注意力网络的机场跑道异物检测识别方法，首先构建多尺度主干卷积网络，通过构建特征融合组件和注意力机制组件，进一步提升对非显著目标的特征表达及训练，显著提升目标检测识别正确率。本发明中提出了多尺度卷积神经网络模型，提升对小目标特征与非显著目标表达，实现特征信息的有机融合，显著增强了对复杂机场跑道异物目标检测识别能力。

主权项：1.一种基于特征融合注意力网络的机场跑道异物检测识别方法，其特征在于，包括如下步骤：步骤1，构建多尺度卷积神经网络模型；步骤2，构建多尺度卷积神经网络模型的特征融合组件；步骤3，构建多尺度卷积神经网络模型的注意力组件；步骤4，利用损失函数训练得到多尺度目标检测网络模型，并实现对机场跑道待测试图像集进行目标检测识别，提取得到机场跑道异物目标信息；步骤1中，所述多尺度卷积神经网络模型，主干网络通过增加卷积层来获取不同分辨率的目标特征图，包括核38×38的Conv4_3卷积层、核19×19的Conv7卷积层、核10×10的Conv8_2卷积层、核5×5的Conv9_2卷积层、核3×3的Conv10_2卷积层、核1×1的Conv11_2卷积层，最后通过一个附加的卷积层来匹配输出通道；多尺度卷积神经网络模型在Conv4_3层、Conv7层分别构建注意力组件，并且将Conv4_3层构建后的注意力组件、Conv7层以及Conv8_2层，以及将Conv7层构建后的注意力组件、Conv8_2层和Conv9_2层分别进行特征融合；步骤2中：步骤2-1，所述多尺度卷积神经网络模型的特征融合组件由反卷积层、归一化层和激活函数组成；反卷积层采用核为3、步长为1、填充为1的反卷积；归一化层对每一层进行批量归一化；激活函数采用线性激活函数ReLU函数；步骤2-2，对含有上下文信息的目标特征图进行反卷积操作，并将上下文特征通道数设置为目标特征的一半，对每一层进行批量归一化和ReLU操作，最后通过对目标特征图和上下文特征图进行连接操作，实现了目标特征和上下文特征的融合；步骤2-3，所述目标特征图为多尺度卷积神经网络模型中conv4_3层，上下文特征为多尺度卷积神经网络模型中conv7_2和conv8_2两层；步骤3中：步骤3-1，所述多尺度卷积神经网络模型的注意力组件具有两路分支，第一路包含核为1的卷积层和一个残差模块；第二路利用残差连接执行下采样和上采样来输出注意力图，然后利用sigmod函数激活；步骤3-2，将来自第一路分支的注意力图与第二路分支的输出相乘，产生注意力特征图，将注意力特征图经过残差模块、归一化和ReLU函数激活；步骤3-3，所述残差模块由批归一化层、ReLU激活函数和核为1的卷积层组成；步骤3-4，分别在多尺度卷积神经网络模型中conv4_3层和conv7层之后放置了注意力组件。

全文数据：

权利要求：

百度查询： 南京莱斯电子设备有限公司 基于特征融合注意力网络的机场跑道异物检测识别方法

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