基于全局注意力的多级特征融合目标检测算法

摘要：

针对小目标物体检测精度差的问题,同时不以牺牲速度为代价,提出了一种基于全局注意力的多级特征融合目标检测算法.算法首先由卷积神经网络生成多尺度的特征图,然后采用多级特征融合的方法,将浅层和深层特征图的语义信息相结合,提高特征图的表达能力;接着引入全局注意力模块,对特征图上下文信息进行建模,并捕获通道之间的依赖关系来选择性地增强重要的通道特征.此外,在多任务损失函数的基础上增加一项额外的惩罚项来平衡正负样本.最后经过分类回归、迭代训练和过滤重复边框得到最终检测模型.对所提算法在PASCAL VOC 2007和PASCAL VOC 2012数据集上进行了训练和测试,对于320×320的图片输入,平均精度均值(mean average precision,mAP)分别为80.48％和77.3％,检测速度为81.7FPS.结果表明:本文算法能有效提升小目标物体检测效果,并较好地平衡了检测精度与速度之间的关系.

关键词：卷积神经网络、目标检测、注意力增强、多级特征融合

所属期刊栏目：20

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;四川省科技厅国际科技合作与交流研发项目;成都市产业集群协同创新项目

在线出版日期：2020-11-30（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：11185-11191