| 多尺度特征图融合的目标检测 |
| |
| 引用本文： | 姜文涛,张驰,张晟翀,刘万军.多尺度特征图融合的目标检测[J].中国图象图形学报,2019,24(11):1918-1931. |
| |
| 作者姓名： | 姜文涛 张驰 张晟翀 刘万军 |
| |
| 作者单位： | 辽宁工程技术大学软件学院, 葫芦岛 125105,辽宁工程技术大学研究生院, 葫芦岛 125105,光电信息控制和安全技术重点实验室, 天津 300308,辽宁工程技术大学软件学院, 葫芦岛 125105 |
| |
| 基金项目： | 国家自然科学基金项目（61172144）；辽宁省自然科学基金项目（20170540426）；辽宁省教育厅项目（LJ2017QL034）；辽宁省教育厅一般项目（LJYL049） |
| |
| 摘 要： | 目的 自然场景图像中，特征提取的质量好坏是决定目标检测性能高低的关键因素。大多数检测算法都是利用卷积神经网络（CNN）强大的学习能力来获得目标的先验知识，并根据这些知识进行目标检测。卷积神经网络的低层次特征缺乏特征的代表性，而高层次的特征则对小尺度目标的监测能力弱。方法 利用原始SSD（single shot multiBox detector）网络提取特征图，通过1×1卷积层将提取的特征图统一为256维；通过反卷积操作增加自顶向下特征图的空间分辨率；通过对应元素相加的操作，将两个方向的特征图进行融合。将融合后的特征图采用3×3的卷积核进行卷积操作，减小特征图融合后的混叠效应。根据以上步骤构建具有较强语义信息的特征图，同时保留原有特征图的细节信息；对预测框进行聚合，利用非极大抑制（NMS）实现最终的检测效果。结果 在PASCAL VOC 2007和PASCAL VOC 2012数据集上进行实验测试，该模型的mAP（mean average precision）为78.9%和76.7%，相对于经典的SSD算法，分别提高了1.4%和0.9%；此外，本文方法在检测小尺度目标时相较于经典SSD模型mAP提升了8.3%。结论 提出了一种多尺度特征图融合的目标检测算法，以自顶向下的方式扩展了语义信息，构造了高强度语义特征图用于实现精确目标检测。
|
| 关 键 词： | 计算机视觉 深度学习 卷积神经网络 目标检测 多尺度特征图 |
| 收稿时间： | 2019/1/30 0:00:00 |
| 修稿时间： | 2019/5/12 0:00:00 |
Multiscale feature map fusion algorithm for target detection |
| |
| Jiang Wentao,Zhang Chi,Zhang Shengchong and Liu Wanjun.Multiscale feature map fusion algorithm for target detection[J].Journal of Image and Graphics,2019,24(11):1918-1931. |
| |
| Authors: | Jiang Wentao Zhang Chi Zhang Shengchong and Liu Wanjun |
| |
| Affiliation: | College of Software, Liaoning Technical University, Huludao 125105, China,Graduate School, Liaoning Technical University, Huludao 125105, China,Science and Technology on Electro-Optical Information Security Control Laboratory, Tianjin 300308, China and College of Software, Liaoning Technical University, Huludao 125105, China |
| |
| Abstract: | |
| |
| Keywords: | computer vision deep learning convolutional neural network(CNN) target detection multiscale characteristic map |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
|
