基于EfficientNet的无锚框目标检测模型

摘要：

目标检测是计算机视觉的热门研究方向之一,包含分类和定位两个任务.针对单阶段目标检测模型普遍存在的两个问题:训练时正负样本的不均衡以及锚框的设置需要人工干预,提出一种基于EfficientNet的无锚框目标检测模型(Anchor-free Efficientnet-based Object Detector,AEOD).AEOD先筛选出落在目标框中的特征点,再根据特征点所作的预测计算代价矩阵,在训练时基于代价矩阵为目标动态分配正负样本,从而达到平衡二者数量的目的.此模型通过特征图中的特征点直接预测目标的位置和形状,不仅省去了人工设置锚框的环节,还提高了可检出目标的数量.此外,可缩放的EfficientNet进一步提高了模型的泛化能力,使之可以接收多尺度的输入.在PASCAL VOC07+12 数据集中,AEOD最高可以获得91.3%的平均精度(mAP),检测速度达到32.1 FPS,较其他主流的目标检测模型有显著提升.

关键词：深度学习、计算机视觉、目标检测、正负样本分配算法、无锚框

所属期刊栏目：34

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;江苏省高校自然科学基金资助项目

在线出版日期：2024-01-30（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：37-43