一种特征由深到浅叠加融合的多尺度目标检测模型

基于深度学习的特征金字塔网络(Feature Pyramid Networks, FPN)仅采用一次上采样与相邻层特征融合的方法，存在浅层网络与深层网络特征关联性不强，多层网络特征融合不充分的问题，影响多尺度目标检测精度。对此，将主干网络中提取的特征进行由深到浅的叠加融合，并对特征金字塔中得到的特征进行补充叠加融合。此外，为进一步提高检测器对目标特征的识别能力，对每次叠加融合后得到的特征通过non-local网络进行特征增强。以PASCAL VOC为数据集的目标检测实验结果表明，所提目标检测模型对数据集中所有类别目标的平均检测精度(mean Average Precision, mAP)为80.6%,对行人类别的检测精度(Average Precision, AP)为81.3%,较FPN网络分别提高了2.4%和2.8%,有效提高了多尺度目标检测精度。