增强小目标检测性能的通道自注意力机制算法研究

摘要：

小目标检测是计算机视觉领域具有挑战性的问题.空间注意力和通道注意力机制的使用提高了 目标检测网络的均值平均精度,但捕获小物体上下文信息的能力仍然有限,并且在小目标和大中型目标的检测精度上存在差距,难以感知小物体的位置.算法构建了一种基于通道自注意力机制(Channel Self-Attention,CSA)的算法模块,将输入特征映射压缩后,运用自注意力机制建立特征通道间相关性,自适应地重新优化特征通道的响应,提升了捕获小物体远距离上下文信息的能力,从而提高了对小目标的检测精度.实验结果表明,在几乎不增加计算成本的情况下,CSA块能够为现有目标检测网络带来性能改进.在PASCAL VOC2007数据集上,采用通道自注意力机制的RetinaNet的mAP值分别比原始RetinaNet的mAP值高3.11个百分点.使用通道自注意力机制的MobileNetv2比原始的MobileNetv2 mAP值提高3.05个百分点.

关键词：注意力机制、小目标检测、自注意力、通道注意力、空间注意力

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：中兴通讯研究基金资助项目

在线出版日期：2022-10-13（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：69-74