![](https://csdnimg.cn/release/download_crawler_static/87192042/bg1.jpg)
目标检测
[1,2]
作为计算机视觉的基础任务之一,目前在自动驾驶、医学病灶
检测、智能安防等方面得到广泛应用。近年来基于卷积神经网络的目标检测算
法 不 断 发 展 ,总 体 可 以 分 为 两 阶 段 ( two-stage) 检 测 算 法 与 一 阶 段 ( one-
stage)检测算法。两阶段检测算法如 Faster R-CNN
[3]
、R-FCN(region-based
fully con-volutional network)
[4]
等,这类算法是基于候选区域的算法,首先使用区
域提议网络(region proposal network,RPN)生成候选区域,然后通过对候选
区域进行分类和回归,得到最终检测结果;一阶段检测算法如 SSD(single shot
multibox detector)
[5]
、YOLO(you only look once)
[6]
、YOLOv2
[7]
、YOLOv3
[8]
等,这类算法能够直接对目标进行定位,输出目标的类别检测信息。
目前的目标检测算法对于中大目标检测已经取得较好的检测效果,但对小
目标检测的效果不佳,这是由于小目标背景复杂度高,其边缘信息不显著以及容
易遭遇光照遮挡等。因此针对小目标的检测能力仍需进一步提高。SSD 算法
通过多尺度特征图进行预测,在精度与效率上均有不错的提升,但对于小目标检
测 效 果 较 差 。 为 了 提 高 SSD 算 法 对 小 目 标 的 检 测 精 度 ,Li 等 提 出 了 FSSD
(feature fusion single shot multibox detector)模型
[9]
,通过在 SSD 算法的基
础上新增一个轻量级的特征融合模块来生成一个全新的特征金字塔检测模型,
改善了对小目标的检测效果。Liu 等提出了 RFB-Net(receptive field block net)
模型
[10]
,通过构建多分支卷积层的感受野模块,并使用空洞卷积代替原有的卷积
操作来扩大特征图的感受野大小,进一步提高了对小目标检测能力。陈幻杰等
[11]
对 SSD 算法的高层与低层特征采取不同的特征提取方法来改善对中小目标的
检测效果。梁延禹等
[12]
利用非局部通道注意力整合全局空间信息来增强浅层特
征中的小目标的上下文语义信息,有效提高对小目标的检测准确率。
针对目前算法对于小目标检测能力不足的问题,在 SSD 算法的基础上提出
一种融合注意力机制的深层次小目标检测算法。首先,针对骨干网络特征提取
能力不足的问题,选取网络 Darknet-53 替换 VGG 网络并改进网络的残差结构
来提高骨干网络的特征提取能力,减少小目标特征信息的丢失。其次,在多尺度
特征图检测阶段,通过并联多个不同的空洞卷积构成特征增强模块,在不增加参
数量的同时有效增大卷积核的感受野,从而丰富特征图的多尺度语义信息。此
外,采用一种基于高效通道注意力模块的特征融合策略对不同尺度大小的特征
图进行特征融合。该方法使用双线性插值上采样的方法放大深层特征图,再使
用通道注意力机制对不同特征通道进行加权,将深层卷积层中的丰富的语义信
评论0
最新资源