一种新颖的单目视觉深度学习算法:H_SFPN

摘要：

针对单目视觉目标检测,提出了一种基于single-stage深度学习的H_SFPN算法.该算法与现有的YOLOv3和Cen-terNet算法相比,在保证实时性能的条件下,可有效提高小目标检测的准确度.首先设计了一种新的网络架构(backbone),这种架构通过改进的沙漏(Hourglass)网络模型来提取特征图,以便充分利用底层特征的高分辨率以及高层特征的高语义信息.然后在特征图融合阶段提出了基于SFPN的特征图加权融合方法.最后,H_SFPN算法对目标位置和大小的损失函数进行了改进,可有效降低训练误差,并加快收敛速度.由MSCOCO数据集上的实验结果可知,所提H_SFPN算法明显优于Faster-RCNN,YOLOv3以及EfficientDet等现有的主流深度学习目标检测算法,其中对小目标的检测指标AP s最高,达到了32.7.

关键词：深度卷积神经网络、目标检测、加权融合、网络架构、损失函数

所属期刊栏目：48

分类号：TP391.41;TN219(计算技术、计算机技术)

资助基金：安徽省发改委重大研发项目

在线出版日期：2021-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：130-137