咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >融合注意力与特征金字塔的小尺度目标检测算法 收藏

融合注意力与特征金字塔的小尺度目标检测算法

Small-Scale Object Detection Algorithm Integrating Attention and Feature Pyramids

作     者:圣文顺 余熊峰 林佳燕 陈欣 SHENG Wenshun;YU Xiongfeng;LIN Jiayan;CHEN Xin

作者机构:南京工业大学浦江学院江苏南京211200 

出 版 物:《计算机工程》 (Computer Engineering)

年 卷 期:2024年第50卷第1期

页      面:242-250页

学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:江苏省青蓝工程(苏教师函11号) 国家自然科学基金(61571222) 江苏省高校自然科学基金面上项目(19KJD520005) 

主  题:深度学习 注意力机制 特征金字塔 小目标检测 截断物体检测 

摘      要:针对Faster R-CNN算法对于小尺寸目标以及遮挡或截断物体检测能力不足的问题,提出一种融合CBAM注意力机制和特征金字塔结构的改进Faster R-CNN算法。为重点聚焦特征图像局部高效信息,在特征提取网络中融入CBAM机制,减少无效目标的干扰,提升面对遮挡或截断物体的检测能力。引入特征金字塔网络结构,联结高层与底层特征数据,获得高分辨率、强语义数据,从而增强小目标物体的检测效果。为缓解梯度消失现象以及减少超参数规模,使用表达能力较强的倒残差VS-ResNet网络替换VGG16网络,VS-ResNet网络在原有ResNet 50基础上修改了部分层次结构,加入辅助分类器,设计倒残差和组卷积方式,使激活函数信息在高维环境中完整保留,提高检测准确率。采用重置候选框分值计算方法弥补非极大值抑制算法误消除重叠检测框的缺陷。实验结果表明,相比VGG16,VS-ResNet在CIFAR-10数据集上的正确率提高2.97个百分点,该算法在Pascal VOC 2012数据集上的目标检测mAP值为76.2%,比原始Faster R-CNN算法的mAP值提高了13.9个百分点。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分