基于注意力机制和尺度均衡金字塔网络的目标检测
在目标检测领域中,基于预先是否对预测框与标注框进行关联,可分为anchor based与anchor free两种方法.Anchor based多应用于早期目标检测方法中,能够提升检测准确率,但过程复杂且计算量较大,因此会增加模型训练时间与推理速度,从而导致应用效率大大降低.而基于anchor free的方法去除了关于anchor的冗余计算,提升模型推理速度,但同时也牺牲了一定的准确率.结合二者的优点并基于anchor free方式对FCOS检测器做出改进,使得模型拥有anchor based方法的准确率和anchor free方法的推理速度.主要从以下两个方面进行研究:1)以anchor free方法为基础,如何使骨干网络有效提取特征.2)以anchor free方法为基础,在检测器中嵌入特征金字塔网络.从上述两方面,提出了一种基于注意力机制和尺度均衡金字塔网络的目标检测模型.在COCO数据集上,无论是属于anchor based方法的YOLOv3,Faster RCNN,还是属于anchor free方法的Foveabox,FSAF,FCOS,在所提方法的加成下都获得了更高的准确率.所提出的优化模型在ResNet50骨干网络上可以得到39.5％的COCO AP.
注意力机制、Anchor free、深度学习、目标检测
49
TP18;TP391.41(自动化基础理论)
国家自然科学基金;西南民族大学中央高校专项项目
2023-02-27（万方平台首次上网日期，不代表论文的发表时间）
共9页
74-82
