注意力与多尺度有效融合的SSD目标检测算法

摘要：

针对传统的SSD目标检测算法在进行多尺度目标检测时,存在特征图有效信息弱和困难目标漏检率大等问题,提出一种改进的SSD目标检测算法.首先,在网络特征图输出处引入即插即用的轻量级注意力机制,通过不降维、局部跨通道交互以及核大小自适应选择等操作,在保持网络原始计算量的同时有效突出特征图中关键信息.该模块有利于增强背景信息和目标信息差,可以在有效提升网络性能的同时,不增加网络的复杂性.然后,构造了一种新的特征融合模块,可以将不同尺度的特征图进行有效融合,使浅层特征层既含有丰富的细节信息,又能充分利用上下文语义信息.多尺度融合模块有利于丰富特征图信息,提升网络对困难目标的检测性能.使用公开的PASCAL VOC数据集验证该方法,改进后的网络在PASCAL VOC2007测试集上的检测精度达到了79.6％,比原始SSD算法提升了2.4个百分点,在遮挡目标数据集上提升了4.7个百分点,充分证明改进方法具有一定的时效性和鲁棒性.

关键词：目标检测;深度学习;轻量级注意力机制;多尺度特征融合

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

资助基金：陕西省自然科学基础研究项目;陕西省自然科学基础研究项目

在线出版日期：2022-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：438-447