残差学习与循环注意力下的SSD目标检测算法

摘要：

针对Single-Shot Detection的特征金字塔中生成的浅层特征语义信息不足,导致小目标检测性能较差的问题,提出了一种基于残差学习与循环注意力的SSD目标检测算法.首先主干网络采用学习能力更强的Resnet101来提取有效的特征信息;然后通过构建轻量级的单向特征融合块对原特征金字塔中的深特征层与浅特征层特征进行融合,并生成新的特征金字塔,进而丰富用于预测的有效特征层的语义信息;最后提出一种新的空间池化策略,并与残差网络中的跳跃连接相结合构成循环注意力模块,从而引入全局的上下文信息,为局部特征建立全局信息关联.为了解决难易样本数量不平衡的问题,将Focalloss作为回归损失函数.实验结果表明,在PASCAL VOC公共数据集上,该算法的平均检测精度(mAP)为79.7％,较SSD提高了2.5％.在MS COCO公共数据集上的mAP为30.0％,较SSD提高了4.9％.

关键词：目标检测、残差学习、深度学习、注意力机制、特征融合

所属期刊栏目：50

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;国家自然科学基金;台州市发改委基金项目

在线出版日期：2023-05-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：170-176