基于注意力机制的小尺寸人头检测方法及相关设备

技术领域

本公开涉及计算机图像领域，尤其涉及一种基于注意力机制的小尺寸人头检测方法及相关设备。

背景技术

目前基于视频图像和目标检测等算法的自动化监测系统已经广泛应用于生活中的多个领域。在目标检测任务中，首先需要现场采集或者网络搜集大量真实场景的图片数据，人工对收集到的图片数据进行标注，然后将收集到的数据输入神经网络，针对需要完成的任务对神经网络进行训练，最终将需要预测的图片输入训练好的网络模型中，将模型的输出进行一系列的操作以解析模型参数形成可视化的检测框结果。

现有技术中，在部分特殊场景如目标较小时如工地安全帽场景下，常用的检测算法会对小尺寸的目标无法进行精准的识别。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种基于注意力机制的小尺寸人头检测方法及相关设备，至少在一定程度上克服由于相关技术中小尺寸人头检测不准确的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供了一种基于注意力机制的小尺寸人头检测方法，包括：将目标图像输入预先训练好的第一神经网络，输出热力图，其中，所述热力图反映人头所在位置；将目标图像输入第二神经网络，输出特征图；将所述热力图与所述特征图特征融合，确定加权特征图；将所述加权特征图输入预先训练好的第三神经网络，输出多个检测框，其中，检测框的中心点在人头区域中心；根据所述热力图中得分大于预设阈值的坐标，确定多个检测框中坐标得分最大的检测框为检测结果。

在一些实施例中，所述预先训练好的第一神经网络包括：获取目标图像；将所述目标图像中人头进行矩形框标注，确定标注框，其中，标注框包括坐标信息且标注框的中心对应人头区域中心；根据所述目标图像输入第一神经网络后的输出，确定热力图；根据所述矩形框标注的中心点，确定真值热力图；根据热力图和真值热力图，训练第一神经网络。

在一些实施例中，所述将目标图像输入第二神经网络，输出特征图包括：将目标图像输入第二神经网络，输出与所述热力图尺寸相同的特征图。

在一些实施例中，所述预先训练好的第三神经网络包括：将所述特征图与热力图通过加权进行特征融合，确定加权特征图；根据所述加权特征图，训练第三神经网络。

在一些实施例中，将所述特征图与热力图通过加权进行特征融合，确定加权特征图包括：将所述热力图分别与每个通道上的特征图逐点相乘，对每一个通道上的特征图进行加权，确定加权特征图，其中，热力图包括一个通道，特征图包括至少一个通道。

在一些实施例中，所述方法还包括：根据反向传播算法，更新第二神经网络、第三神经网络的参数。

在一些实施例中，所述方法还包括：第一神经网络部署在第一线程；第二神经网络、第三神经网络部署在第二线程。

根据本公开的另一个方面，还提供了一种基于注意力机制的小尺寸人头检测装置，包括：第一神经网络模块，用于将目标图像输入预先训练好的第一神经网络，输出热力图，其中，所述热力图反映人头所在位置；第二神经网络模块，用于将目标图像输入第二神经网络，输出特征图；特征融合模块，用于将所述热力图与所述特征图特征融合，确定加权特征图；第三神经网络模块，用于将所述加权特征图输入预先训练好的第三神经网络，输出多个检测框；检测结果确定模块，用于根据所述热力图中得分大于预设阈值的坐标，确定多个检测框中坐标得分最大的检测框为检测结果。

根据本公开的另一个方面，还提供了一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于注意力机制的小尺寸人头检测方法。

根据本公开的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的基于注意力机制的小尺寸人头检测方法。

根据本公开的另一个方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任意一项的基于注意力机制的小尺寸人头检测方法。

本公开的实施例中提供的基于注意力机制的小尺寸人头检测方法及相关设备，将目标图像输入预先训练好的第一神经网络，输出热力图，其中，热力图反映人头所在位置；将目标图像输入第二神经网络，输出特征图；将热力图与特征图特征融合，确定加权特征图；将加权特征图输入预先训练好的第三神经网络，输出多个检测框；根据热力图中得分大于预设阈值的坐标，确定多个检测框中坐标得分最大的检测框为检测结果。本公开实施例中，由于第一神经网络热力图对人头所在位置进行预测，并与第二神经网络特征图融合实现注意力机制，能够获得更加准确的人头边界框，从而有助于小尺寸人头检测准确度的提高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开实施例中一种基于注意力机制的小尺寸人头检测系统结构的示意图；

图2示出本公开实施例中另一种基于注意力机制的小尺寸人头检测方法流程图；

图3示出本公开实施例中再一种基于注意力机制的小尺寸人头检测方法流程图；

图4示出本公开实施例中另外一种基于注意力机制的小尺寸人头检测方法流程图；

图5示出本公开实施例中另一种基于注意力机制的小尺寸人头检测方法流程图；

图6示出本公开实施例中一种基于注意力机制的小尺寸人头检测方法的整体训练示意图；

图7示出本公开实施例中一种基于注意力机制的小尺寸人头检测方法的辅助网络训练示意图；

图8示出本公开实施例中一种基于注意力机制的小尺寸人头检测装置示意图；

图9示出本公开实施例中一种计算机设备的结构框图；

图10示出本公开实施例中一种计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

下面结合附图，对本公开实施例的具体实施方式进行详细说明。

图1示出了可以应用本公开实施例中基于注意力机制的小尺寸人头检测方法的示例性应用系统架构示意图。如图1所示，该系统架构100可以包括辅助网络101、主干网络102和检测网络103。

辅助网络(第一神经网络)部署在线程一，由多个卷积层和池化层组成，最终生成人头位置的热力图H，热力图大小(相当于上述尺寸)为w*h，通道数为1；训练时逐点计算辅助网络生成的热力图H和真值热力图H_GT的交叉熵损失，训练辅助网络。

辅助网络训练完成后开始训练主干网络(第二神经网络)，主干网络同样由多个卷积和池化层组成，负责提取图像特征，最后提取到特征图F，特征图大小与热力图保持一致为w*h，通道数为C；特征融合时将热力图和每一个通道上的特征图逐点相乘，生成加权后的特征图F1，F1大小为w*h，通道数为C。

最后将加权后的特征图F1输入到检测网络(第三神经网络)部分，并对检测网络进行训练，反向传播时只对检测网络、主干网络部分的参数进行更新。在通过检测网络得到大量侯选框以后，在辅助网络生成的热力图内取所有得分大于阈值T的点的坐标，并在众多侯选框中选择在坐标位置及其四邻域内取得分最大的检测框作为最终的检测结果，取代了传统检测算法的非极大值抑制(Non-Maximum Suppression，NMS)过程，加快后处理速度。

在系统运行前，首先将辅助网络、主干网络和检测网络部分的权重文件进行格式转换，转化为对应芯片厂商所需格式，可以适当降低参数精度来提升推理速度；算法在部署时启用两个线程，辅助网络部署在线程1(第一线程)，主干网络和检测网络部署在线程2(第二线程)，辅助网络在线程1运行结束后将热力图和响应大于阈值的位置点坐标共享给线程2，主干网络计算结束后将再利用线程2共享的信息进行后续计算。

本公开充分利用了人头、安全帽等物体形状相对固定、同一监控场景下尺度变化较小的特点，利用额外的辅助网络去预测图像中人头中心的位置，并利用人头中心位置去辅助主干网络和检测网络训练，并在后处理过程从候选框中直接得到最终检测框。

本公开可以大幅提高图像中小目标的准确率和召回率，并且在后处理过程中无须进行耗时的非极大值抑制过程，提高算法速度。

本公开的辅助网络模块在推理过程与主干网络和检测网络模块解耦，可以在部署时将两个模块放入不同的进程或者线程中并行处理，可以在任意厂商的嵌入式设备上实时离线运行。

本领域技术人员可以知晓，图1中的辅助网络、主干网络和检测网络的数量仅仅是示意性的，根据实际需要，可以具有任意数目的的辅助网络、主干网络、检测网络。本公开实施例对此不作限定。

在上述系统架构下，本公开实施例中提供了一种基于注意力机制的小尺寸人头检测方法，该方法可以由任意具备计算处理能力的电子设备执行。

图2示出本公开实施例中一种基于注意力机制的小尺寸人头检测方法流程图，如图2所示，本公开实施例中提供的基于注意力机制的小尺寸人头检测方法包括如下步骤：

S202，将目标图像输入预先训练好的第一神经网络，输出热力图，其中，热力图反映人头所在位置。

需要说明的是，上述目标图像可以是在人头检测场景下拍摄的带有安全帽的人头图像。例如，工地安全帽场景下拍摄的图像。上述第一神经网络模型可以是神经网络模型，神经网络模型是以神经元的数学模型为基础来描述的，是一个数学模型。上述热力图可以是以特殊高亮的形式显示访客热衷的页面区域和访客所在的地理区域的图示。例如，高亮显示带有安全帽的人头图像。

S204，将目标图像输入第二神经网络，输出特征图。

需要说明的是，上述第二神经网络模型可以是神经网络模型。上述特征图可以是二维图片。例如，在每个卷积层，数据都是以三维形式存在的三维是许多个二维图片叠在一起，其中每一个称为一个特征图。

S206，将热力图与特征图特征融合，确定加权特征图。

需要说明的是，上述特征融合可以是对同一模式抽取不同的特征矢量进行优化组合，例如，特征融合时将热力图和每一个通道上的特征图逐点相乘，生成加权后的特征图(相当于上述加权特征图)。

S208，将加权特征图输入预先训练好的第三神经网络，输出多个标注框。

需要说明的是，上述第三神经网络模型可以是神经网络模型。上述标注框可以是识别出来的人头区域，例如，平行轴的矩形框。

在一个实例中，检测框的中心点可以在人头区域中心。

S210，根据热力图中得分大于预设阈值的坐标，确定多个检测框中坐标得分最大的检测框为检测结果。

需要说明的是，上述得分可以是一点及其四邻域内的得分。

例如，在生成的热力图内取所有得分大于阈值T的点的坐标，并在众多标注框中选择在坐标位置及其四邻域内取得分最大的标注框作为最终的检测结果。

本公开在人头检测场景下，对普通的矩形标注进行转化生成人头位置热力图并训练第一神经网络，利用第一神经网络来对人头所在位置进行预测，并与第二神经网络特征图融合实现注意力机制，辅助第二神经网络和第三神经网络训练，利用第一神经网络直接从候选的标注框中得到最终的标注框，取代非极大值抑制过程，加快后处理速度。本公开通过第一神经网络热力图对人头所在位置进行预测，并与第二神经网络特征图融合实现注意力机制，能够获得更加准确的人头边界框，从而有助于小尺寸人头检测准确度的提高。

在本公开的一个实施例中，如图3所示，本公开实施例中提供的目标检测方法可以通过如下步骤来训练第一神经网络，能够准确预测出图像中人头所在的中心位置：

S302，获取目标图像；

S304，将目标图像中人头进行矩形框标注，确定标注框，其中，标注框包括坐标信息且标注框的中心对应人头区域中心；

S306，根据目标图像输入第一神经网络后的输出，确定热力图；

S308，根据矩形框标注的中心点，确定真值热力图；

S310，根据热力图和真值热力图，训练第一神经网络。

在一个具体的实例中，对于目标图像的数据处理部分包括采集、标注过程和真值热力图生成过程。采集和标注过程，即利用现场采集和网络收集图片(相当于上述目标图像)制作成为数据集，对其中的全部人头区域进行矩形框标注，标注时需要保证矩形框的中心点在人头区域中心，其中矩形标注的坐标将直接应用于主干网络(相当于上述第二神经网络)和检测网络(相当于上述第三神经网络)的训练；除此之外，需要利用矩形框的标注，生成真值热力图，首先对原图和对应的标注进行缩放，缩放后的尺寸应保证与辅助网络(相当于上述第一神经网络)生成的热力图尺寸相同，然后取缩放后的矩形框中心点坐标为P1、P2、P3等，将各个中心点及其四邻域的像素值设为1，其余位置的像素值设为0，生成真值热力图H_GT。

在本公开的一个实施例中，如图4所示，本公开实施例中提供的目标检测方法可以通过如下步骤来输出特征图，能够准确确定特征图尺寸：

S402，将目标图像输入第二神经网络，输出与热力图尺寸相同的特征图。

在本公开的一个实施例中，如图5所示，本公开实施例中提供的目标检测方法可以通过如下步骤来训练第三神经网络，能够准确计算出目标图像的加权特征图：

S502，将特征图与热力图通过加权进行特征融合，确定加权特征图；

S504，根据加权特征图，训练第三神经网络。

在一个具体的实例中，将特征图与热力图通过加权进行特征融合，确定加权特征图包括：将热力图分别与每个通道上的特征图逐点相乘，对每一个通道上的特征图进行加权，确定加权特征图，其中，热力图包括一个通道，特征图包括至少一个通道。

例如，热力图H的通道数为1，特征图的通道数为C，C包括C1，C2，C3三条通道，在进行特征融合时，热力图H分别于特征图C1、特征图C2、特征图C3进行加权计算，确定加权特征图，其中，对于特征图C1、特征图C2、特征图C3的权值可以根据实际情况分配。

在一个具体的实例中，本公开实施例中提供的目标检测方法还包括：根据反向传播算法，更新第二神经网络、第三神经网络的参数。

在一个具体的实例中，本公开实施例中提供的目标检测方法还包括：第一神经网络部署在第一线程；第二神经网络、第三神经网络部署在第二线程。

本公开第一神经网络和第二神经网络解耦，在部署时可以并行处理，提高处理时效。

图6示出本公开实施例中一种基于注意力机制的小尺寸人头检测方法的整体训练示意图。

如图6所示，模型训练过程包含辅助网络(相当于上述第一神经网络)训练过程、特征融合过程(热力图与特征图特征融合)和模型的主干网络(相当于上述第二神经网络)及最终的检测网络(相当于上述第三神经网络)同时训练过程。

模型训练过程包含模型的辅助网络训练过程、特征融合过程和模型的主干网络(相当于上述第二神经网络)及最终的检测网络(相当于上述第三神经网络)同时训练过程，首先将输入图像61(相当于上述目标图像)分别输入辅助网络和主干网络部分分别得到热力图H和特征图F，然后将热力图H与特征图F进行融合生成加权后的特征图F1(相当于上述加权特征图)，并送入检测网络。

模型的推理过程即在网络模型训练完成后，在检测网络输出得到大量的候选框，直接在热力图中大于阈值的点(例如，(x

图7示出本公开实施例中一种基于注意力机制的小尺寸人头检测方法的辅助网络训练示意图。

如图7所示，辅助网络(第一神经网络)全部由卷积和最大池化组成(即图7中71包括卷积和最大池化)，可以根据实际情况来设置网络层数(网络层数大于5)和输入图像大小，辅助网络最终经过全连接层72后生成热力图H，并与热力图真值H_GT进行逐点比对，逐点计算交叉熵损失。

在一个具体的实例中，首先采集真实待检测场景现场的监控图片，数量一般越多越好，最少要保证在3000张以上。随后对图像中的人头区域进行标注，标注时采用平行轴的矩形框进行标注。随后，将原图和对应的标注进行缩放，缩放后的尺寸应保证与辅助网络生成的热力图尺寸相同(例如辅助网络生成热力图大小为80*60，那么此处缩放后的图像大小也应是80*60)，然后取缩放后的矩形框中心点坐标为P1、P2、P3等，将各个中心点及其四邻域的像素值设为1，其余位置的像素值设为0，生成真值热力图H_GT，热力图可以用单通道二值图像保存或者用坐标点的形式保存，用于辅助网络的训练。

接下来是模型训练部分，辅助网络模块和主干、检测网络模块两个模块分别训练。辅助网络全部由卷积和最大池化组成，可以根据实际情况自由决定网络层数和输入图像大小，辅助网络最终经过全连接层后生成热力图，并与热力图真值进行逐点比对，逐点计算交叉熵损失。在辅助网络训练完成以后开始训练主干网络和检测网络，主干网络同样由多个卷积和池化层组成，其中主干网络的输出特征图的尺寸应保持与辅助网络一致，负责提取图像特征，最终将主干网络计算得到的特征图与热力图每一个通道上逐点相乘对每一个通道上的特征图进行加权，增强人头区域的响应并抑制背景的响应，最后将融合后的特征图输入到最后的检测网络部分，并对检测网络进行训练，反向传播时只对检测网络、主干网络部分的参数进行更新。

在模型推理时，首先将输入图像分别输入辅助网络和主干网络部分分别得到热力图和特征图，然后将热力图与特征图进行融合并送入检测网络，在检测网络输出得到大量的候选框以后，直接在热力图中大于阈值的点所在位置及周围选取最终的检测框(在热力图中选取点时要注意若某个点及其4邻域内的点都大于阈值则只选取最大的)，选取规则为选取该点及其四邻域内得分最高的检测框作为最终结果。从而将上述过程代替非极大值抑制过程，该过程使用的阈值可以根据实际情况进行调整。

最终在部署时，首先将辅助网络、主干网络和检测网络部分的权重文件进行格式转换，转化为对应芯片厂商所需格式，具体各个芯片和设备有对应的转换方法，可以适当降低参数精度来提升推理速度；本方法中提出的算法可以使辅助网络和主干网络解耦，因此可以在推理时并行计算，算法在部署时启用两个线程，辅助网络部署在线程1(相当于上述第一线程)，主干网络和检测网络部署在线程2(相当于上述第二线程)，辅助网络在线程1运行结束后将热力图和响应大于阈值的位置点坐标共享给线程2，主干网络计算结束后将再利用线程2共享的信息进行后续计算。

基于同一发明构思，本公开实施例中还提供了一种基于注意力机制的小尺寸人头检测装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。

图8示出本公开实施例中一种基于注意力机制的小尺寸人头检测装置示意图，如图8所示，该装置包括：第一神经网络模块81、第二神经网络模块82、特征融合模块83、第三神经网络模块84、检测结果确定模块85、反向传播模块86和网络部署模块87。

其中，第一神经网络模块81，用于将目标图像输入预先训练好的第一神经网络，输出热力图；第二神经网络模块82，用于将目标图像输入第二神经网络，输出特征图；特征融合模块83，用于将热力图与特征图特征融合，确定加权特征图；第三神经网络模块84，用于将加权特征图输入预先训练好的第三神经网络，输出多个检测框；检测结果确定模块85，用于根据热力图中得分大于预设阈值的坐标，确定多个检测框中坐标得分最大的检测框为检测结果。

在本公开的一个实施例中，上述第一神经网络模块81还用于：获取目标图像；将目标图像中人头进行矩形框标注，确定标注框，其中，标注框包括坐标信息且标注框的中心对应人头区域中心；根据目标图像输入第一神经网络后的输出，确定热力图；根据矩形框标注的中心点，确定真值热力图；根据热力图和真值热力图，训练第一神经网络。

在本公开的一个实施例中，上述第二神经网络模块82还用于：将目标图像输入第二神经网络，输出与热力图尺寸相同的特征图。

在本公开的一个实施例中，上述第三神经网络模块84还用于：将特征图与热力图通过加权进行特征融合，确定加权特征图；根据加权特征图，训练第三神经网络。

在本公开的一个实施例中，上述特征融合模块83还用于：将热力图分别与每个通道上的特征图逐点相乘，对每一个通道上的特征图进行加权，确定加权特征图，其中，热力图包括一个通道，特征图包括至少一个通道。

在本公开的一个实施例中，上述基于注意力机制的小尺寸人头检测装置还包括反向传播模块86用于：根据反向传播算法，更新第二神经网络、第三神经网络的参数。

在本公开的一个实施例中，上述基于注意力机制的小尺寸人头检测装置还包括网络部署模块87用于：第一神经网络部署在第一线程；第二神经网络、第三神经网络部署在第二线程。

此处需要说明的是，上述第一神经网络模块、第二神经网络模块、特征融合模块、第三神经网络模块、检测结果确定模块对应于方法实施例中的S202～S210，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

例如，所述处理单元910可以执行上述方法实施例的如下步骤：将目标图像输入预先训练好的第一神经网络，输出热力图，其中，热力图反映人头所在位置；将目标图像输入第二神经网络，输出特征图；将热力图与特征图特征融合，确定加权特征图；将加权特征图输入预先训练好的第三神经网络，输出多个检测框；根据热力图中得分大于预设阈值的坐标，确定多个检测框中坐标得分最大的检测框为检测结果。

例如，所述处理单元910可以执行上述方法实施例的如下步骤：获取目标图像；将目标图像中人头进行矩形框标注，确定标注框，其中，标注框包括坐标信息且标注框的中心对应人头区域中心；根据目标图像输入第一神经网络后的输出，确定热力图；根据矩形框标注的中心点，确定真值热力图；根据热力图和真值热力图，训练第一神经网络。

例如，所述处理单元910可以执行上述方法实施例的如下步骤：将目标图像输入第二神经网络，输出与热力图尺寸相同的特征图。

例如，所述处理单元910可以执行上述方法实施例的如下步骤：将特征图与热力图通过加权进行特征融合，确定加权特征图；根据加权特征图，训练第三神经网络。

例如，所述处理单元910可以执行上述方法实施例的如下步骤：将热力图分别与每个通道上的特征图逐点相乘，对每一个通道上的特征图进行加权，确定加权特征图，其中，热力图包括一个通道，特征图包括至少一个通道。

例如，所述处理单元910可以执行上述方法实施例的如下步骤：根据反向传播算法，更新第二神经网络、第三神经网络的参数。

例如，所述处理单元910可以执行上述方法实施例的如下步骤：第一神经网络部署在第一线程；第二神经网络、第三神经网络部署在第二线程。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备940(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机程序产品，该计算机程序产品包括：计算机程序，所述计算机程序被处理器执行时实现上述基于注意力机制的小尺寸人头检测方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图10示出本公开实施例中一种计算机可读存储介质的示意图，如图10所示，该计算机可读存储介质1000上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将目标图像输入预先训练好的第一神经网络，输出热力图，其中，热力图反映人头所在位置；将目标图像输入第二神经网络，输出特征图；将热力图与特征图特征融合，确定加权特征图；将加权特征图输入预先训练好的第三神经网络，输出多个检测框；根据热力图中得分大于预设阈值的坐标，确定多个检测框中坐标得分最大的检测框为检测结果。

例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：获取目标图像；将目标图像中人头进行矩形框标注，确定标注框，其中，标注框包括坐标信息且标注框的中心对应人头区域中心；根据目标图像输入第一神经网络后的输出，确定热力图；根据矩形框标注的中心点，确定真值热力图；根据热力图和真值热力图，训练第一神经网络。

例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将目标图像输入第二神经网络，输出与热力图尺寸相同的特征图。

例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将特征图与热力图通过加权进行特征融合，确定加权特征图；根据加权特征图，训练第三神经网络。

例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：将热力图分别与每个通道上的特征图逐点相乘，对每一个通道上的特征图进行加权，确定加权特征图，其中，热力图包括一个通道，特征图包括至少一个通道。

例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：根据反向传播算法，更新第二神经网络、第三神经网络的参数。

例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：第一神经网络部署在第一线程；第二神经网络、第三神经网络部署在第二线程。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。