摘要
针对单目视觉目标检测,提出了一种基于single-stage深度学习的H_SFPN算法.该算法与现有的YOLOv3和Cen-terNet算法相比,在保证实时性能的条件下,可有效提高小目标检测的准确度.首先设计了一种新的网络架构(backbone),这种架构通过改进的沙漏(Hourglass)网络模型来提取特征图,以便充分利用底层特征的高分辨率以及高层特征的高语义信息.然后在特征图融合阶段提出了基于SFPN的特征图加权融合方法.最后,H_SFPN算法对目标位置和大小的损失函数进行了改进,可有效降低训练误差,并加快收敛速度.由MSCOCO数据集上的实验结果可知,所提H_SFPN算法明显优于Faster-RCNN,YOLOv3以及EfficientDet等现有的主流深度学习目标检测算法,其中对小目标的检测指标AP s最高,达到了32.7.
NETL
NSTL
维普
万方数据