轻量化自适应特征选择目标检测网络

TP391; 在小目标物体检测、多类别物体检测尤其是轻量化检测模型等关键技术研究方面仍面临较大的挑战,基于此,本文提出一种轻量化自适应特征选择目标检测网络.该网络以特征金字塔为基础,提取多尺度图像特征并从空间维度上对特征图进行滤波,从通道维度上自适应地选择特征图中更重要的通道,降低多通道下噪声和干扰对目标特征的稀释作用,减少特征图在传递过程中的信息丢失.除此之外,构建深度可分离卷积的分类网络,降低后续处理的计算量,加快检测速度,实现网络的轻量化处理.在PASCAL VOC 2007数据集上的检测平均精度为77.7％,检测速度为14.3帧/s.在MS COCO数据集上的测试结果表明,该网络在精度...

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 42; no. 9; pp. 1238 - 1245
Main Authors 杨爱萍, 宋尚阳, 程思萌
Format Journal Article
LanguageChinese
Published 天津大学 电气自动化与信息工程学院,天津 300072 01.09.2021
Subjects
目标检测;特征金字塔;自适应特征选择;轻量化网络
Online AccessGet full text

Cover

More Information
Summary:TP391; 在小目标物体检测、多类别物体检测尤其是轻量化检测模型等关键技术研究方面仍面临较大的挑战,基于此,本文提出一种轻量化自适应特征选择目标检测网络.该网络以特征金字塔为基础,提取多尺度图像特征并从空间维度上对特征图进行滤波,从通道维度上自适应地选择特征图中更重要的通道,降低多通道下噪声和干扰对目标特征的稀释作用,减少特征图在传递过程中的信息丢失.除此之外,构建深度可分离卷积的分类网络,降低后续处理的计算量,加快检测速度,实现网络的轻量化处理.在PASCAL VOC 2007数据集上的检测平均精度为77.7％,检测速度为14.3帧/s.在MS COCO数据集上的测试结果表明,该网络在精度损失小于5％ 的情况下,检测速度远超FPN,比Mask R-CNN可以更好地兼顾检测速度和检测精度.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2021.09.004