检索结果-南通市图书馆

井冈山大学学报（自然科学版） 2023年第6期44卷 75-83页

作者：刘糠继时培成齐恒杨爱喜安徽工程大学机械工程学院安徽芜湖241000 浙江大学工程师学院浙江杭州310000

基于深度学习的目标检测技术在自动驾驶和机器人视觉领域被广泛应用。针对这项任务,FCOS(fully convolutional one-stage object detection)利用全卷积和无锚框方法实现逐像素目标检测,但原始FCOS仍存在图片特征提取不足,全局特征信息... 详细信息

基于深度学习的目标检测技术在自动驾驶和机器人视觉领域被广泛应用。针对这项任务,FCOS(fully convolutional one-stage object detection)利用全卷积和无锚框方法实现逐像素目标检测,但原始FCOS仍存在图片特征提取不足,全局特征信息获取不充分和特征融合不理想等问题。因此本研究对FCOS进行改进并应用于图像的多目标检测。首先,本研究使用ResNeSt50代替原始主干网络ResNet50,利用特征图注意力和多路径表示相结合的方式来提高主干网络的特征提取能力。然后,基于多分支空洞卷积构建感受野增强模块(RFEM),以获取更全面的全局上下文信息。最后,在原始FCOS特征融合的基础上,本研究设计了自适应重组特征融合模块(ARFFM),高效的融合了高层特征图的语义信息和低层特征图的细节信息。在PASCAL VOC2007数据集上的实验表明,改进后的FCOS达到了81.2%的平均精度均值(mAP),比原始FCOS算法提升了2.9%,并在大多数类别上表现出先进的性能。同时开展了广泛的消融实验,其中ResNeSt50,RFEM,ARFFM模块分别为基线网络带来了1.2%,2.1%,2.9%的收益,这些改进为小目标及遮挡目标的检测提供了一种新的解决方案。

关键词：目标检测无锚方法主干网络空洞卷积特征融合

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：