改进金字塔和跳跃连接的YOLOv5目标检测网络

针对YOLOv5网络模型的金字塔结构不能有效捕捉目标的跨尺度特征信息和存在梯度消失现象以及易导致目标检测精确率不高的问题,利用FPT (feature pyramid transformer)的注意力机制有效提取目标的跨尺度特征信息,把原YOLOv5网络模型中的FPN (feature pyramid network)和PAN (path aggregation network)结构替换为FPT,在FPT结构的两端加入跳跃连接(skip connection)并引入新的Mish激活函数,从而提出一种改进金字塔和跳跃连接的YOLOv5目标检测网络模型YOLO FS.在PASCAL VOC和MS COCO数据集上的对比实验结果表明,基于YOLO FS网络的目标检测在平均检测准确率、召回率和F1值上均有明显提升.     

面向表情识别的重影非对称残差注意力网络模型

针对ResNet50中的Bottleneck经过1×1卷积降维后主干分支丢失部分特征信息而导致在表情识别中准确率不高的问题,本文通过引入Ghost模块和深度可分离卷积分别替换Bottleneck中的1×1卷积和3×3卷积,保留更多原始特征信息,提升主干分支的特征提取能力;利用Mish激活函数替换Bottleneck中的ReLU激活函数,提高了表情识别的准确率;在此基础上,通过在改进的Bottleneck之间添加非对称残差注意力模块(asymmetric residual attention block, ARABlock)来提升模型对重要信息的表示能力,从而提出一种面向表情识别的重影非对称残差注意力网络（ghost asymmetric residual attention network, GARAN）模型。对比实验结果表明,本文方法在FER2013和CK+表情数据集上具有较高的识别准确率。