融合优化特征提取结构的目标检测算法

摘要：

针对DETR对小目标的检测精度低的问题,基于DETR提出一种优化特征提取结构的目标检测算法——CF?DETR.首先通过结合了优化跨阶段部分(CSP)网络的CSP?Darknet53对原始图进行特征提取并输出4种尺度的特征图;其次利用特征金字塔网络(FPN)对4种尺度特征图进行下采样和上采样后进行拼接融合,并输出52×52尺寸的特征图;最后将该特征图与位置编码信息结合输入Transformer后得到特征序列,输入到作为预测头的前向反馈网络后输出预测目标的类别与位置信息.在COCO2017数据集上,与DETR相比,CF?DETR的模型的超参数量减少了2×106,在小目标上的平均检测精度提高2.1个百分点,在中、大尺寸目标上的平均检测精度提高了2.3个百分点.实验结果表明,优化特征提取结构能够在降低模型超参数量的同时有效提高DETR的检测精度.

关键词：目标检测、小目标、DETR算法、特征提取、跨阶段部分网络、特征金字塔网络、Transformer

所属期刊栏目：42

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;重庆市教委科学技术研究计划项目;巴南区科委应用研究项目

在线出版日期：2022-12-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：3558-3563