改进CenterNet的无人机小目标捕获检测方法

摘要：

小目标因浅层特征语义不足而深层特征信息缺失导致极难检测,而无人机视角场景复杂,检测难度进一步增大.普遍提升小目标检测精度的方法是进行不同层级的特征融合,但这会导致特征高冗余问题,并非所有特征层都值得被激活传递到后方的数据预测中去.针对上述问题对CenterNet进行改造,首次将其与自适应特征激活相结合,提出自适应基础模块(MSA),抑制冗余特征的表达;在主干输出处引入升维全局上下文注意力模块(GC-Block),强化关键点语义信息;用深度可分离卷积与Mish激活搭建高质量解码块(DW),在不增加模型复杂度的情况下提升解码精度.在公开的无人机捕获小目标数据集上进行对比实验,改进算法的AP较原始算法提升了2.2个百分点,召回率提升了2.4个百分点,验证了改进算法对小目标检测任务的有效性.

关键词：无人机捕获目标检测、小目标检测、anchor-free、自适应激活、注意力机制

所属期刊栏目：58

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;高铁联合基金项目;四川省重点研发计划;四川省自然资源科研项目

在线出版日期：2022-07-26（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：96-104