基于双分支特征融合的无锚框目标检测算法

摘要：

针对无锚框目标检测算法CenterNet中,目标特征利用程度不高、检测结果不够准确的问题,该文提出一种双分支特征融合的改进算法.在算法中,一个分支包含了特征金字塔增强模块和特征融合模块,以对主干网络输出的多层特征进行融合处理.同时,为利用更多的高级语义信息,在另一个分支中仅对主干网络的最后一层特征进行上采样.其次,对主干网络添加了基于频率的通道注意力机制,以增强特征提取能力.最后,采用拼接和卷积操作对两个分支的特征进行融合.实验结果表明,在公开数据集PASCAL?VOC上的检测精度为82.3％,比CenterNet算法提高了3.6％,在KITTI数据集上精度领先其6％,检测速度均满足实时性要求.该文提出的双分支特征融合方法将不同层的特征进行处理,更好地利用浅层特征中的空间信息和深层特征中的语义信息,提升了算法的检测性能.

关键词：目标检测、多特征融合、注意力机制、CenterNet

所属期刊栏目：44

分类号：TN911.73;TP391.4

资助基金：国家自然科学基金62072370

在线出版日期：2022-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2175-2183