自适应上下文特征的多尺度目标检测算法

摘要：

识别多尺度目标是检测任务中的一项挑战,针对检测中的多尺度问题,提出自适应上下文特征的多尺度目标检测算法.针对不同尺度的目标需要不同大小感受野特征进行识别的问题,构建了一种多感受野特征提取网络,通过多分支并行空洞卷积,从高层语义特征中挖掘标签中的上下文信息;针对不同尺度目标的语义特征出现在不同分辨率特征图中的问题,基于改进的通道注意力机制,提出自适应的特征融合网络,通过学习不同分辨率特征图之间的相关性,在全局语义特征中融合局部位置特征;利用不同尺度的特征图识别不同尺度的物体.在PASCAL VOC数据集上对本文算法进行验证,本文方法的检测精度达到了85.74％,相较于Faster R-CNN检测精度提升约8.7％,相较于基线检测算法YOLOv3+提升约2.06％.

关键词：机器视觉、目标检测、卷积神经网络、通道注意力、并行空洞卷积、多尺度特征融合、上下文特征、深度学习

所属期刊栏目：17

分类号：TP391.4(计算技术、计算机技术)

资助基金：安徽高校省级自然科学研究重点项目;安徽省自然科学基金;安徽省自然科学基金;检测技术与节能装置安徽省重点实验室开放基金项目

在线出版日期：2022-04-28（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：276-285