首页|面向非对称特征注意力和特征融合的太赫兹图像检测

面向非对称特征注意力和特征融合的太赫兹图像检测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 太赫兹由于穿透性强、对人体无害等特性在安检领域中得到了广泛关注.太赫兹图像中目标尺寸较小、特征有限,且图像分辨率低,目标边缘信息模糊,目标信息容易和背景信息混淆,为太赫兹图像检测带来了一定困难.方法 本文在YOLO(you only look once)算法的基础上提出了一种融合非对称特征注意力和特征融合的目标检测网络AFA-YOLO(asymmetric feature attention-YOLO).在特征提取网络CSPDarkNet53(cross stage paritial DarkNet53)中设计了非对称特征注意力模块.该模块在浅层网络中采用非对称卷积强化了网络的特征提取能力,帮助网络模型在目标特征有限的太赫兹图像中提取到更有效的目标信息;使用通道注意力和空间注意力机制使网络更加关注图像中目标的重要信息,抑制与目标无关的背景信息;AFA-YOLO通过增加网络中低层到高层的信息传输路径对高层特征进行特征融合,充分利用到低层高分辨率特征进行小目标的检测.结果 本文在太赫兹数据集上进行了相关实验,相比原YOLOv4算法,AFA-YOLO对phone的检测精度为81.15％,提升了4.12％,knife的检测精度为83.06％,提升了3.72％.模型平均精度均值(mean average precision,mAP)为82.36％,提升了3.92％,漏警率(missing alarm,MA)为12.78％,降低了2.65％,帧率为32.26帧/s,降低了4.06帧/s.同时,本文在太赫兹数据集上对比了不同的检测算法,综合检测速度、检测精度和漏警率,AFA-YOLO优于其他目标检测算法.结论 本文提出的AFA-YOLO算法在保证实时性检测的同时有效提升了太赫兹图像中目标的检测精度并降低了漏警率.
Terahertz image detection combining asymmetric feature attention and feature fusion

曾文健、朱艳、沈韬、曾凯、刘英莉

展开 >

昆明理工大学信息工程与自动化学院,昆明 650500

昆明理工大学云南省计算机技术应用重点实验室,昆明 650500

太赫兹图像 小尺度目标检测 YOLOv4 非对称卷积 注意力机制 特征融合

国家自然科学基金国家自然科学基金国家自然科学基金国家自然科学基金云南省应用基础研究计划重点项目云南省中青年学术技术带头人后备人才项目云南省中青年学术技术带头人后备人才项目云南省万人计划青年拔尖人才项目昆明理工大学人才培养项目

619712086167122552061020617021282018FA034Shen Tao2018201873KKSY201703016

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(8)
  • 2