改进多尺度卷积结构与高斯核的E-CenterNet算法

摘要：

针对ResNet和DLA(deep layer aggregation)为主干网络的CenterNet算法特征提取能力不充分、热力图与目标真实边界框吻合度不高、关键点损失函数未充分考虑预测值对难易样本训练比重的影响等不足,提出一种改进多尺度卷积结构与高斯核的E-CenterNet算法.引入轻量型EfficientNetV2-S作为主干网络,并结合基于金字塔分割注意力网络的多尺度卷积结构对其进行改进,提高特征提取能力;对高斯核进行改进,使CenterNet产生的热力图由固定的圆形改进为随边界框宽高变化的椭圆形,增强算法对边界框宽高差异大的目标的检测能力;提出一种基于关键点预测值的关键点损失函数,提高算法对难样本的训练比例.在Pascal VOC数据集上的实验结果表明:E-CenterNet算法的mAP达到83.3％,比原始算法提升了2.6个百分点,检测性能优于CenterNet算法.

关键词：CenterNet、目标检测、多尺度卷积、高斯核、关键点损失函数

所属期刊栏目：59

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;国家部委基础科研项目（非规范姓名名称）;湖南省科技创新计划;湖南省自然科学基金项目;湖南省科协科技人才托举工程;湖南省教育厅优秀青年项目

在线出版日期：2023-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：70-80