融合注意力机制的深层次小目标检测算法

摘要：

骨干网络特征提取不充分以及浅层卷积层缺乏语义信息等往往导致了对于小目标检测的效果不佳,为提高小目标检测的精确性与鲁棒性,提出一种融合注意力机制的深层次小目标检测算法.首先,针对骨干网络特征提取能力不足的问题,选用Darknet-53作为特征提取网络,通过构建新的分组残差连接来替换原Darknet-53中的残差连接结构,形成新的I-Darknet53骨干增强网络,该分组残差结构可通过交织不同通道的特征信息有效提高输出的感受野大小.其次,在多尺度检测阶段,提出浅层特征增强网络,采用特征增强模块与通道注意力机制引导下的高效特征融合策略对浅层与深层进行特征融合获得浅层增强特征,从而改善浅层语义特征信息不足的问题.实验结果表明,相较于SSD算法,所提算法在PASCAL VOC数据集上检测效果更加突出.当输入图像尺寸为300×300时,模型平均精度均值为80.2％;当输入图像尺寸为500×500时,模型平均精度均值为82.3％.并且在保证检测速度的前提下,增强了模型对小目标的检测效果.

关键词：小目标检测、特征提取、特征融合、注意力机制

所属期刊栏目：16

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;国家重点研发计划

在线出版日期：2022-04-20（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：927-937