申请/专利权人:长春工业大学
申请日:2024-04-07
公开(公告)日:2024-05-14
公开(公告)号:CN118038496A
主分类号:G06V40/10
分类号:G06V40/10;G06V10/764;G06V10/766;G06V10/44;G06V10/52;G06V10/42;G06V10/80;G06V10/82;G06V10/25;G06V10/74;G06N3/0464;G06N3/0455
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.31#实质审查的生效;2024.05.14#公开
摘要:本发明提出一种基于注意力机制的复杂背景下害虫检测方法Pest‑Detr。采用可变形注意力机制网络作为模型的主干网络来捕捉图像中的显著信息,即将DAS插入到ResNet‑50中的block之间利用门控通道注意力来传播信息以提高CNN的性能,同时增加的FLOPs最小。并通过改进跨尺度特征融合模块,将带有全局信息的高级特征层与带有更多细节信息的低级特征层融合加强特征传播,且在每个融合块CF中加入可变形注意力机制增强关键特征权重,丰富害虫特征多尺度表征能力。优化边界框损失回归,利用回归框修饰分类损失函数,替换分类损失函数解决类别不平衡问题,提高分类准确性的同时提升模型收敛速度。通过尾部数据重采样和两种数据增强方法扩充数据集解决多分类任务的长尾分布问题。通过实验证明本算法具有更高的检测精度和分类准确度,具有一定的应用价值。
主权项:1.DAS-ResNet特征提取网络。DAS注意力机制结合了层特征的上下文信息和可变形卷积的能力,从而使模型能够更加专注并增加对显著特征的注意力,且不需要额外的内存开销。输入的特征经过DAS,DAS首先使用深度可分离卷积层提高效率,再利用可变形卷积来定位相关图像区域,最后与输入特征点乘后输出。本发明将DAS插入到ResNet-50中的block之间利用门控通道注意力来传播信息以提高CNN的性能,同时增加的FLOPs最小。
全文数据:
权利要求:
百度查询: 长春工业大学 基于注意力机制的复杂背景下害虫检测方法Pest-Detr
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。