扩增感受野特征融合的小目标检测算法

摘要：

为了解决小目标检测在实际应用中的高漏检率、低准确率、低召回率等问题,提出一种基于感受野扩增特征融合的小目标检测算法.首先,对全卷积单阶段目标检测算法(fully convolutional one-stage object detection,FCOS)基础网络特征提取部分增加感受野扩增模块,改善基础网络ResNet-50特征信息提取较少、浅层特征层信息利用率偏低等问题;其次,在特征金字塔部分利用门控思想筛选信息融合,降低无效信息融合的干扰;最后,对7个特征层增加注意力机制模块,提升目标定位精度和分类精度.在COCO 2017数据集上的实验结果表明,该算法比传统FCOS算法的检测精度提升2.4％.其中,小目标检测精度提升3.2％,具有更好的检测效果.

关键词：特征融合、感受野扩增、串联空洞卷积、注意力机制、无锚框算法

所属期刊栏目：35

分类号：TP391.41(计算技术、计算机技术)

资助基金：陕西省自然科学基础研究计划项目;陕西省自然科学基础研究计划项目

在线出版日期：2023-03-27（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：48-54