一种基于自适应融合CBAM注意力机制的室内活动动作检测算法

本发明属于图像处理与计算机视觉技术领域，提出了一种基于自适应融合CBAM（Adaptive Fusion CBAM，简称AF‑CBAM）注意力机制的室内活动动作检测算法，该算法主要应用于深度学习网络的特征提取部分，旨在提高室内活动的动作分类精度和检测能力。通过在YOWO模型的2D CNN分支中引入AF‑CBAM注意力机制，改进了传统的空间和通道注意力的独立操作方式。具体来说，本发明通过自适应融合机制动态调整空间注意力和通道注意力的权重，使得网络能够更加灵活地对时空特征进行加权和增强，从而提升复杂室内环境下动作的检测能力。该方法通过在2D CNN分支的特征提取过程中加入空间和通道注意力机制，能够有效关注不同区域和不同通道的重要信息，强化了对细节的捕捉能力。与传统的单一注意力机制相比，本发明的自适应融合注意力机制能够更好地适应不同输入数据和任务需求，提升了模型在复杂动态环境中的鲁棒性与准确性。