基于YOLOX融合自注意力机制的FSA-FPN重构方法

摘要：

随着目前目标检测任务输入图像分辨率的不断增大,在特征提取网络的感受野不变的情况下,网络提取的特征信息会越来越局限,相邻特征点之间的信息重合度也会越来越高.提出一种FSA(Fusion Self-Attention)-FPN,设计SAU(Self-Attention Upsample)模块,SAU内部结构通过CNN与自注意力机制(Self-Attention)进行交叉计算以进一步进行特征融合,并通过重构FCU(Feature Coupling Unit)消除二者之间的特征错位,弥补语义差距.以YOLOX-Darknet53为主干网络,在Pascal VOC2007数据集上进行了对比实验.实验结果表明,对比原网络的FPN,替换FSA-FPN后的平均精度值mAP@[.5:.95]提升了 1.5％,预测框的位置也更为精准,在需要更高精度的检测场景下有更为出色的使用价值.

关键词：FSA-FPN、特征融合、SAU、自注意力机制

所属期刊栏目：49

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2023-03-31（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：61-66