(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 202210378963.X (22)申请日 2022.04.12 (71)申请人 国网四川省电力公司营销服 务中心 地址 610000 四川省成 都市武侯区人民南 路四段50号1楼 (72)发明人 何培东　涂娅欣　黎小军　王晨丞　 李显忠　张福州　张嘉岷　邓舒予　 沈文琪　肖丽　宗超　刘丽娜　 辜琳娜　刘柯里　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 王鹏程 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/80(2022.01)G06V 10/28(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 基于注意力机制的非极大值抑制方法、 系 统、 设备和介质 (57)摘要 本发明公开了基于注意力机制的非极大值 抑制方法、 系统、 设备和介质， 解决了现有的非极 大值抑制算法会 出现漏检目标， 其技术方案要点 是： 基于注 意力机制算法对候选框进行加权融合 处理， 获得候选框中基于注意力机制的第一置信 度值； 预设全交并比损失函数阈值， 基于注意力 机制的加权惩罚算法对全交并比损失函数值大 于全交并比损失函数阈值的候选框对应的第一 置信度值进行抑制处理， 获得第二置信度值； 预 设注意力机制算法的权重阈值， 判断第二置信度 值是否小于权重阈值， 若是则删除与之对应的候 选框。 本发 明避免因此置信 度过大导致重叠部分 的目标被漏检， 提高了非极大值抑制算法在消除 多余候选框的准确性， 从而减少了冗余的候选框 对检测结果的影响。 权利要求书2页 说明书8页 附图2页 CN 114723939 A 2022.07.08 CN 114723939 A 1.基于注意力机制的非极大值抑制方法， 其特 征在于， 包括： 获取包含检测目标的目标图像， 对目标图像进行特征提取， 获得特征图， 其中， 特征图 包括多个候选 框； 基于注意力 机制算法对候选框进行加权 融合处理， 获得候选框中基于注意力 机制的第 一置信度值； 预设全交并比损失函数阈值， 基于注意力 机制的加权惩罚算法对全交并比损失函数值 大于全交并比损失函数阈值的候选框对应的第一置信度值进 行抑制处理， 获得第二置信度 值； 预设注意力机制算法的权重阈值， 判断第二置信度值是否小于权重阈值， 若是则删除 与之对应的候选 框， 对余下的候选 框进行回归处 理， 获得检测目标的检测结果。 2.根据权利要求1所述的基于注意力 机制的非极大值抑制方法， 其特征在于， 对目标图 像进行特征提取， 获得 特征图， 包括： 采用深度学习模型提取检测目标的层次化特征， 获得包含多个候选框的特征图， 其中， 深度学习模型包括YOLO网络、 VG G16网络、 AlexNet网络和ResNet网络 。 3.根据权利要求1所述的基于注意力 机制的非极大值抑制方法和系统， 其特征在于， 采 用基于注意力机制算法对候选框的置信度进 行加权融合处理， 获得候选框中基于注意力机 制的第一置信度值， 包括： 根据多个候选 框生成第一 集合， 将每个候选框对应的置信度放入第二 集合中； 从第一集合中选取一个候选框， 分别计算选取的候选框和第 一集合中全部候选框的全 交并比损失函数值； 将选取的候选框的全交并比损失函数值与多个候选框的全交并比损失函数值进行归 一化处理， 获得注意力权 重； 计算注意力 权重与对应的候选框的置信度的加权和， 获得选取的候选框的第 一置信度 值， 并替换第二 集合中的对应选取的候选 框的置信度； 重复执行上述步骤， 获得基于注意力机制的第一置信度值 集合。 4.根据权利要求3所述的基于注意力 机制的非极大值抑制方法， 其特征在于， 预设全交 并比损失函数阈值， 基于注意力机制的加权惩罚算法对全交并比损失函数值大于全交并比 损失函数阈值的候选 框对应的第一置信度值进行抑制处 理， 获得第二置信度值， 包括： 对第一置信度值集合根据第一置信度值进行降序排序， 获得降序排序信息， 第一集合 按照降序排序信息进行排序； 在第一集合中取出最大的第一置信度值所对应的候选框， 将其放入第三集合中， 并从 第一集合中删除该候选 框； 分别计算最大的第一置信度值所对应的候选框与第一集合中所有候选框的全交并比 损失函数值； 若全交并比损失函数值大于全交并比损失函数阈值， 则采用基于注意力 机制的加权惩 罚算法对全交并比损失函数值大于全交并比损失函数阈值的候选框进 行抑制， 获得第二置 信度值。 5.根据权利要求3所述的基于注意力 机制的非极大值抑制方法， 其特征在于， 第 一置信权　利　要　求　书 1/2 页 2 CN 114723939 A 2度值计算式如下： 式中， sr表示第r个候选框的 第一置信度值， si是第一集合中的第i个 候选框的置信度值， bi表示第一集合中的第i个 候选 框， CIoU表示全交并比损失函 数值， br表示第一集合中的第r个 候选框， sr表示对应的基于注 意力机制的第一置信度值， softmax表示归一 化函数， N表示 候选框的数量。 6.根据权利要求4所述的基于注意力 机制的非极大值抑制方法， 其特征在于， 第 二置信 度值计算式如下： 式中， si是第一集合中的第i个候选框的置 信度值， bm是第一集合中置信度最高的候选框， bi是第一集合中的第i个 候选框， CIoU表示全 交并比损失函数值。 7.根据权利要求1所述的基于注意力 机制的非极大值抑制方法， 其特征在于， 对候选框 进行回归处理， 获得检测目标的检测结果， 具体为： 采用回归算法对对余下的候选框进行回 归处理， 获得检测目标的检测结果。 8.一种基于注意力机制的非极大值抑制系统， 其特 征在于， 包括： 特征提取单元， 用于获取包含检测目标的目标图像， 对目标图像进行特征提取， 获得特 征图， 其中， 特 征图包括多个候选 框； 第一计算单元， 用于基于注意力机制算法对候选框进行加权融合处理， 获得候选框中 基于注意力机制的第一置信度值； 第二计算单元， 用于预设全交并比损 失函数阈值， 基于注意力机制的加权惩罚算法对 全交并比损失函数值大于全交并比损失函数阈值的候选框对应的第一置信度值进行抑制 处理， 获得第二置信度值； 判断处理单元， 用于预设注意力机制算法的权重阈值， 判断第二置信度值是否小于权 重阈值， 若 是则删除与之对应的候选框， 对余下的候选框进 行回归处理， 获得检测目标的检 测结果。 9.一种电子设备， 其特征在于， 包括： 处理器、 通信接口、 存储器和通信总线， 其中， 处理 器、 通信接口和存储器通过通信总线完成相互间的通信； 所述存储器， 用于存储计算机程 序； 所述处理器， 用于执行所述存储器中所存储的程序， 实现权利要求 1至7任一项 所述的基 于注意力机制的非极大值抑制方法。 10.一种计算机可读存储介质， 用于存储计算机可读取的指令， 其特征在于， 所述指令 被执行时执行权利要求1至7中任一所述的基于注意力机制的非极大值抑制方法的操作。权　利　要　求　书 2/2 页 3 CN 114723939 A 3