多尺度特征融合与锚框自适应的目标检测算法

针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题，提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先，通过双向融合方法充分提取相邻层级间的深层特征和浅层特征；然后，均衡化处理多尺度特征，使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息，提高目标的识别能力；最后，在区域提议网络（RPN）中利用目标的特征信息，通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明：与基于ResNet50的Faster R-CNN算法相比，所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力，自适应锚框机制能够提高定位精度并避免小目标的漏检，算法整体的检测结果具有较好表现，平均检测精度提升了3.20个百分点。