基于Transformer的多尺度物体检测

目前，Transformer基本模型对同一场景内不同尺寸物体的检测能力不足，其主要原因为各层等尺度的输入嵌入无法提取跨尺度特征，导致网络不具备在不同尺度的特征之间建立交互的能力。基于此，提出一种基于Transformer的多尺度物体检测网络，该网络采用跨尺度嵌入层初步对图像特征进行嵌入处理；利用多分支空洞卷积对输入进行下采样，通过调整并行分支的膨胀率使该结构具有多样的感受野；然后，由残差自注意力模块对输出嵌入结果进行处理，为特征图的局部和全局信息构建联系，使注意力计算融入有效的多尺度语义信息，最终实现多尺度物体检测。模型在COCO等数据集上进行训练，实验结果表明该方法与其他物体检测方法相比具有显著优势。