融合注意力机制的深层次小目标检测算法.docx

融合注意力机制的深层次小目标检测算法 目标检测是计算机视觉的基础任务之一，广泛应用于自动驾驶、医学病灶检测、智能安防等领域。目前基于卷积神经网络的目标检测算法可以分为两阶段检测算法和一阶段检测算法两类。两阶段检测算法如 Faster R-CNN、R-FCN 等，首先使用区域提议网络生成候选区域，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、YOLO、YOLOv2、YOLOv3 等，可以直接对目标进行定位，输出目标的类别检测信息。 然而，当前的目标检测算法对小目标检测的效果不佳，主要是由于小目标背景复杂度高、边缘信息不显著、容易遭遇光照遮挡等问题。为了提高小目标的检测能力，需要进一步提高检测算法对小目标的检测精度。 本文提出了一种融合注意力机制的深层次小目标检测算法，基于 SSD 算法，通过改进骨干网络的特征提取能力，使用多尺度特征图检测阶段的特征增强模块，并采用基于高效通道注意力的特征融合策略来融合不同尺度大小的特征图。该算法可以有效提高小目标的检测精度，实验结果表明，提出的深层次小目标检测算法在保证一定检测速度的前提下，对模型的检测精度有了明显的提升。 SSD 算法是基于回归思想和 anchor 机制的检测算法，采用多尺度特征金字塔检测方式进行预测。SSD 算法设计了 6 个尺度的特征图来检测目标对象，利用深层特征图尺寸小、感受野大和语义特征信息丰富的特点来检测大目标；利用浅层特征图尺寸大、感受野小和细节特征信息丰富的特点来检测小目标。 本文算法的整体框架结构由改进后的骨干增强网络 I-Darknet53 与特征增强模块、特征融合策略、通道注意力模块等组成。模型整体结构可以有效提高小目标的检测精度，实验结果表明，提出的深层次小目标检测算法在保证一定检测速度的前提下，对模型的检测精度有了明显的提升。 本文算法的主要贡献在于： 1. 提出了基于 SSD 算法的融合注意力机制的深层次小目标检测算法，有效提高小目标的检测精度。 2. 采用多尺度特征图检测阶段的特征增强模块，丰富特征图的多尺度语义信息。 3. 采用基于高效通道注意力的特征融合策略，有效提高了特征融合下的语义信息利用率。 4. 实验结果表明，提出的深层次小目标检测算法在保证一定检测速度的前提下，对模型的检测精度有了明显的提升。 本文算法可以有效提高小目标的检测精度，具有广泛的应用前景。