一种特征由深到浅叠加融合的多尺度目标检测模型 |
| |
引用本文: | 陈海燕,李春尧.一种特征由深到浅叠加融合的多尺度目标检测模型[J].传感技术学报,2022,35(10):1375-1381. |
| |
作者姓名: | 陈海燕 李春尧 |
| |
作者单位: | 兰州理工大学计算机与通信学院 |
| |
摘 要: | 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。
|
关 键 词: | 深度学习 目标检测 特征融合 多尺度 |
|
| 点击此处可从《传感技术学报》浏览原始摘要信息 |
|
点击此处可从《传感技术学报》下载全文 |
|