注意力机制与多层特征融合策略的安检图像目标检测方法
YOLOv5(You only look once,v5)具有检测速度快、精度高的优点,被广泛应用于实时目标检测中.针对X光安检图像背景复杂、物体多尺度、相互重叠导致的错检、漏检问题,在YOLOv5s网络结构的基础上,通过改进注意力机制开发了新的特征融合策略,并提出了一种具有自适应特征融合策略与注意力机制的目标检测YOLOv5s-AFA网络.该网络在浅层引入扩大感受野模块与改进的空间注意力机制,在深层引入改进的通道注意力机制.新的特征融合策略可每次输出三个不同深度的特征图,通过自适应学习权重融合浅层空间信息与深层语义信息,使网络的学习更具针对性.在X光安检图像数据集上的目标检测结果表明,相比其他对比网络,YOLOv5s-AFA网络的错检率和漏检率有明显降低.
图像处理、深度学习、目标检测、X光安检图像、注意力模块、特征融合
59
TP391(计算技术、计算机技术)
陕西省重点研发计划2021SF-478
2022-09-26(万方平台首次上网日期,不代表论文的发表时间)
共12页
187-198