(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 202210330923.8 (22)申请日 2022.03.30 (71)申请人 国家电网有限公司大 数据中心 地址 100031 北京市西城区宣武门内大街8 号 (72)发明人 陈振宇　王路涛　李博　陈思宇　 边靖宸　武丽莎　杨畅　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于注意力机制的弱监督目标检测方 法及系统 (57)摘要 本发明提供了一种基于注意力机制的弱监 督目标检测方法及系统,包括:将获取的待检测 图像通过卷积层进行特征提取， 得到特征图； 将 所述特征图输入到注意力机制模块， 得到空间增 强后的特征图； 基于所述空间增强后的特征图确 定所述待检测图像是否为目标图像； 其中， 所述 注意力机制模块， 基于卷积层对 特征图进行空间 维度归一化得到注意力机制权重图， 并结合所述 特征图进行全局平均化操作得到空间增强后的 特征图。 本发 明采用卷积神经网络结合注意力机 制目标检测的方法， 解决了高精度标注的数据集 费时费力， 提高了准确率， 实现了通过低质量的 数据集来获得高质量的目标检测模型。 权利要求书2页 说明书9页 附图4页 CN 114723958 A 2022.07.08 CN 114723958 A 1.一种基于注意力机制的弱监 督目标检测方法， 其特 征在于， 包括： 将获取的待检测图像通过 卷积层进行 特征提取， 得到特 征图； 将所述特 征图输入到注意力机制模块， 得到空间增强后的特 征图； 基于所述空间增强后的特 征图确定所述待检测图像是否为目标图像； 其中， 所述注意力机制模块， 基于卷积层对特征图进行空间维度归一化得到注意力机 制权重图， 并结合所述特 征图进行全局平均化操作得到空间增强后的特 征图。 2.如权利要求1所述的方法， 其特征在于， 所述将所述特征图输入到注意力机制模块， 得到空间增强后的特 征图包括： 由所述注意力机制模块的卷积层对所述特征图进行空间维度归一化得到注意力机制 权重图； 由所述特 征图和所述注意力机制权 重图逐通道相乘得到具有注意力机制的特 征图； 将所述有注意力机制的特征图与所述特征图相加得到空间维度归一化后的增强后的 特征图。 3.如权利要求2所述的方法， 其特征在于， 所述由所述注意力 机制模块的卷积层对所述 特征图进行空间维度归一 化得到注意力机制权 重图包括： 所述注意力机制模块中卷积层的权重以及偏置参数结合激活值计算式到所述特征图 上所有点的激活值； 基于所述征图上所有点的激活值结合注意力机制权重图计算式得到所述空间维度归 一化后的注意力机制权 重图； 优选的， 所述激活值按下式计算： Zi， j＝F(wTxi， j+b)； 式中， w为注意力机制模块中1 ×1卷积层的权重； b为注意力机制模块中1 ×1卷积层的 偏置参数； F( ·)为非线性激活函数； Zi， j为特征图xi， j上所有点的激活值。 4.如权利要求3所述的方法， 其特 征在于， 所述注意力机制权 重图计算式如下式所示： 式中， ai， j为注意力机制权 重图。 5.如权利要求1所述的方法， 其特 征在于， 还 包括： 将所述特征图输入到位于所述注意力机制模块中的预先训练好的弱监督目标检测模 型进行关键位置信息图像的提取， 得到关键位置信息图像； 基于所述关键位置信息图像和所述空间增强后的特征图确定所述待检测图像是否为 目标图像； 其中， 所述弱监督目标检测模型是基于获取的原始图像和所述原始图像对应的注意力 显著图对卷积神经网络进行训练得到的； 优选的， 所述增强特 征图按下式计算： 式中， 勾增强后的特 征图； xi， j为对应宽和高为 i、 j的特征图。 6.如权利要求5所述的方法， 其特征在于， 所述将所述特征图输入到所述注意力 机制模 块中的预先训练好的弱监督目标检测模型进 行关键位置信息图像的提取， 得到 关键位置信权　利　要　求　书 1/2 页 2 CN 114723958 A 2息图像包括： A1将所述待检测图像输入到所述注意力机制模块中的预先训练好的弱监督目标检测 模型中， 得到注意力显著图； A2由所述注意力显著图结合所述待检测图像作为待检测图像， 重复执行A1， 直至得到 设定数量的注意力显著图； A3将所有的注意力显著图叠加得到关键位置信息图像。 7.如权利要求6所述的方法， 其特 征在于， 所述弱监 督目标检测模型的训练包括： 由获取的原 始图像和所述原 始对象对应的注意力显著图构建训练集； 由所述训练集中的原始图像作为卷积神经网络的输入， 所述原始对象对应的注意力 显 著图作为卷积神经网络的输出进行训练得到训练好的弱监 督目标检测模型。 8.如权利要求7 所述的方法， 其特 征在于， 所述关键位置信息图像按下式计算： IB＝IA‑a·Atta·IA； 式中， IA为原始目标数据集中的图像数据； IB为被削弱处理后的目标 图像； Atta为注意 力显著图； a为稀释函数。 9.一种基于注意力机制的弱监 督目标检测系统， 其特 征在于， 包括： 特征提取模块， 用于将获取的待检测图像通过 卷积层进行 特征提取， 得到特 征图； 生成模块， 用于将所述特 征图输入到注意力机制模块， 得到空间增强后的特 征图； 检测模块， 用于将基于所述空间增强后的特征图确定所述待检测图像是否为目标图 像； 其中， 所述注意力机制模块， 基于卷积层对特征图进行空间维度归一化得到注意力机 制权重图， 并结合所述特 征图进行全局平均化操作得到空间增强后的特 征图。 10.如权利要求9所述的系统， 其特 征在于， 所述 生成模块包括： 权重图生成子模块， 用于由所述注意力 机制模块的卷积层对所述特征图进行空间维度 归一化得到注意力机制权 重图； 注意力机制子模块， 用于由所述特征图和所述注意力 机制权重图逐通道相乘得到具有 注意力机制的特 征图； 归一化子模块， 用于将所述有注意力 机制的特征图与 所述特征图相加得到空间维度归 一化后的增强后的特 征图。权　利　要　求　书 2/2 页 3 CN 114723958 A 3