基于双阈值-非极大值抑制的Faster R-CNN改进算法
根据目标检测算法中出现的目标漏检和重复检测问题,本文提出了一种基于双阈值-非极大值抑制的Faster R-CNN改进算法.算法首先利用深层卷积网络架构提取目标的多层卷积特征,然后通过提出的双阈值-非极大值抑制(DT-NMS)算法在RPN阶段提取目标候选区域的深层信息,最后使用了双线性插值方法来改进原RoI pooling层中的最近邻插值法,使算法在检测数据集上对目标的定位更加准确.实验结果表明,DT-NMS算法既有效地平衡了单阈值算法对目标漏检问题和目标误检问题的关系,又针对性地减小了同一目标被多次检测的概率.与soft-NMS算法相比,本文算法在PASCAL VOC2007上的重复检测率降低了2.4%,多次检测的目标错分率降低了2%.与Faster R-CNN算法相比,本文算法在PASCAL VOC2007上检测精度达到74.7%,性能提升了1.5%.在MSCOCO数据集上性能提升了1.4%.同时本文算法具有较快的检测速度,达到16 FPS.
计算机视觉、目标检测、非极大值抑制、卷积神经网络
46
TP391.4(计算技术、计算机技术)
国家自然科学基金资助项目61703423,61473309;西安邮电大学研究生创新基金资助项目CXJJ2017019
2019-12-31(万方平台首次上网日期,不代表论文的发表时间)
共11页
80-90