首页|基于卷积特征建模的目标检测方法

基于卷积特征建模的目标检测方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
现有依赖CNN的目标检测算法常采用特征融合的建模方式来丰富特征表达,虽然该方法一定程度上能有效改善多尺度目标检测,但是在针对复杂场景进行检测时却没有显著的提升.这主要受限于三个问题的影响:长路径特征融合造成的特征间相关性损失;仅设计了单方向的融合连接,忽略了反方向的语义信息弥补;忽略了有效感受野(effective receptive field,ERF)在多尺度检测中的重要性.针对这三点分别设计了二次融合结构(double fusion structure,DFS)、多分支融合模块(multi branch fusion module,MBFM)和感受野增强模块(receptive field enhance module,RFEM).该方法利用DFS缩短特征层级间的相对路径,然后通过MBFM来同时弥补上层和下层的语义信息缺失,并使用RFEM建模特征通道,增大ERF区域.最终模型在PASCAL VOC 2007测试数据集上达到了85.4％的平均精度均值(mean average precision,mAP),与依赖传统建模方式的检测算法相比,提出的方法提高了2.6％.
Object detection based on convolutional feature modeling

潘秋羽、王伟、王明明、王道顺

展开 >

西安工程大学 计算机科学学院,西安710600

清华大学 计算机科学与技术系,北京 100084

目标检测 特征相关性 多分支融合 有效感受野 卷积神经网络

国家自然科学基金资助项目国家自然科学基金资助项目国家自然科学基金资助项目陕西省教育厅专项科研计划资助项目国家新闻出版广电总局数字内容防伪与安全取证重点实验室项目

61601358619722256190216415JK1317

2021

10.19734/j.issn.1001-3695.2019.11.0692

计算机应用研究
四川省电子计算机应用研究中心

计算机应用研究

CSTPCDCSCD北大核心
影响因子：0.93
ISSN：1001-3695
年,卷(期)：2021.(3)
  • 2
  • 2