(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 202111673522.4 (22)申请日 2021.12.31 (71)申请人 重庆特斯联启智科技有限公司 地址 401329 重庆市九龙坡区重庆高新区 金凤镇凤笙路21号1幢 (72)发明人 刘斌　陈雪　高亮　高川　 (74)专利代理 机构 北京华专卓 海知识产权代理 事务所(普通 合伙) 11664 专利代理师 徐冰冰 (51)Int.Cl. G06V 20/10(2022.01) 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 在智能家居中基于空间注意力的上下文特 征学习方法 (57)摘要 本发明公开了在智能家居中基于空间注意 力的上下文特征学习方法， 属于智能家居领域， 在智能家居中基于空间注意力的上下文特征学 习方法， 本方案通过注意力机制学习不同区域之 间的上下文关系， 并将这些上下文关系进行融 合， 从而为不同区域找到独有的上下文特征， 提 升复杂场景下的目标检测性能， 通过实用视觉几 何组和残差网络， 可以对输入的图像的特征进行 提取， 从而获得卷积特征图， 一个物体对包括两 个物体,每个物体包含空间位置和语义特征， 将 每两个物体设置称一个物体对， 并借助三层感知 机和线性整流函数， 同时借助每个物体的空间位 置和语义特征， 从而获得物体对之间的上下文关 系。 权利要求书1页 说明书4页 附图2页 CN 114549965 A 2022.05.27 CN 114549965 A 1.在智能家居中基于空间注意力的上 下文特征学习方法， 其特 征在于： 包括以下步骤： S1、 卷积特征提取： 通过特征提取网络对输入图像进行特征提取， 从而获得卷积特征 图； S2、 局部上下文学习： 将卷积特征图划成多个大小相同的单元， 特征图中的每个单元分 别相当于每个物体， 通过感知机并且随后紧跟线性整流函数ReLU， 通过将的物体组输入到 感知机中， 从而学习到物体对之间的上 下文关系； S3、 全局上下文学习： 在S2的基础上， 增设一个两层的卷积神经网络， 对于每一个物体， 将其与其它物体进行融合， 从而学习到其与整个场景之间的关系； S4、 特征融合： 将S3中的上下文特征图与原始的卷积特征图融合， 从而得到具有丰富上 下文信息的卷积特 征图。 2.根据权利要求1所述的在智能家居中基于空间注意力的上下文特征学习方法， 其特 征在于： 所述S1中的特 征提取网络包括视 觉几何组和残差网络 。 3.根据权利要求1所述的在智能家居中基于空间注意力的上下文特征学习方法， 其特 征在于： 一个所述物体对 包括两个物体,每 个所述物体包 含空间位置和语义特 征。 4.根据权利要求1所述的在智能家居中基于空间注意力的上下文特征学习方法， 其特 征在于： 所述S2中的感知机设为 三层， 每层所述感知机的神经 元个数为512。 5.根据权利要求1所述的在智能家居中基于空间注意力的上下文特征学习方法， 其特 征在于： 所述S4中特 征图融合包括特 征图的逐像素点乘、 逐像素相加 和1×1卷积操作。权　利　要　求　书 1/1 页 2 CN 114549965 A 2在智能家居中基于空间注意力的上下文特征学习方 法 技术领域 [0001]本发明涉及智能家居领域， 更具体地说， 涉及在智能家居中基于空间注意力的上 下文特征学习方法。 背景技术 [0002]在真实世界中， “目标与场景 ”和“目标与目标 ”之间通常存在一种共存关系， 通过 利用这种关系将有助于提升视觉特征不明显的困难目标检测性能， 在深度学习之前， 已有 研究证明通过对上下文进 行适当的建模可以提升目标检测性能， 尤其是对于尺寸较小的目 标、 大面积遮挡的目标或因图像质量差而造成的外观特征不明显目标， 随着深度神经网络 的广泛应用， 一些研究也试图将目标周围的上下文集成到深度神经网络中， 并取得了一定 的成效， 以下将对本公开相关背景技术， 即基于隐式上下文特征学习的目标检测方法进行 简要介绍与分析。 [0003]隐式上下文特征是指目标区域周围的背景特征或者全局的场景特征。 事实上， 卷 积神经网络中的卷积操作在一定程度上已经考虑了目标区域周围的 隐式上下文特征， 为了 更加充分地利用上 下文信息， 一些 方法尝试将全局的上 下文信息融入到目标检测模型中。 [0004]上下文特征作为目标特征的补充信息， 对于目标检测是极为重要的。 现有的方法 大多通过在目标区域周围设置上下文窗口来提取局部上下文特征或者直接提取将整个图 像的特征当做全局上下文 特征。 然而， 这两种方式对于上下文的利用是不够充分和准确的， 前者可能丢失一些重要的上下文信息， 而后者可能引入一些背景干扰噪声。 为此亟需设计 一种在智能家居中基于空间注意力的上下文 特征学习方法， 通过注意力机制学习不同区域 之间的上下文关系， 并将这些上下文关系进行融合， 从而为不同区域找到独有的上下文特 征。 发明内容 [0005]1.要解决的技 术问题 [0006]针对现有技术中存在的问题， 本发明的目的在于提供在智能家居中基于空间注意 力的上下文特征学习方法， 通过注意力机制学习不同区域之间的上下文关系， 并将这些上 下文关系进行融合， 从而为不同区域找到独有的上下文特征， 提升复杂场景下 的目标检测 性能。 [0007]2.技术方案 [0008]为解决上述问题， 本发明采用如下的技 术方案。 [0009]在智能家居中基于空间注意力的上 下文特征学习方法， 包括以下步骤： [0010]S1、 卷积特征提取： 通过特征提取网络对输入图像进行特征提取， 从而获得卷积特 征图； [0011]S2、 局部上下文学习： 将卷积特征图划成多个大小相同的单元， 特征图中的每个单 元分别相当于每个物体， 物体可以是真实物体和背 景， 也可以是真实物体和背 景的合并， 这说　明　书 1/4 页 3 CN 114549965 A 3