文献类型：期刊文章

作　　者：姜文涛[2] 张驰[1] 张晟翀[3] 刘万军[1]

Jiang Wenlao;Zhang Chi;Zhang Shengchong;Liu Wanjun(College of Software,Liaoning Technical University,Huludao 125105,China;Gradunte School,Uaoning Technical University,Huludao 1251059 China;Science and Technology on Electro-Oplictxl Information Security Control Laboratory,Tianjin 300308,China)

机构地区：[1]辽宁工程技术大学软件学院,葫芦岛125105 [2]辽宁工程技术大学研究生院,葫芦岛125105 [3]光电信息控制和安全技术重点实验室,天津300308

出　　处：《中国图象图形学报》

基　　金：国家自然科学基金项目(61172144);辽宁省自然科学基金项目(20170540426);辽宁省教育厅项目(LJ2017QL034);辽宁省教育厅一般项目(LJYL049)~~

年　　份：2019

卷　　号：24

期　　号：11

起止页码：1918-1931

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的自然场景图像中,特征提取的质量好坏是决定目标检测性能高低的关键因素。大多数检测算法都是利用卷积神经网络(CNN)强大的学习能力来获得目标的先验知识,并根据这些知识进行目标检测。卷积神经网络的低层次特征缺乏特征的代表性,而高层次的特征则对小尺度目标的监测能力弱。方法利用原始SSD(single shot multi Box detector)网络提取特征图,通过1×1卷积层将提取的特征图统一为256维;通过反卷积操作增加自顶向下特征图的空间分辨率;通过对应元素相加的操作,将两个方向的特征图进行融合。将融合后的特征图采用3×3的卷积核进行卷积操作,减小特征图融合后的混叠效应。根据以上步骤构建具有较强语义信息的特征图,同时保留原有特征图的细节信息;对预测框进行聚合,利用非极大抑制(NMS)实现最终的检测效果。结果在PASCAL VOC 2007和PASCAL VOC 2012数据集上进行实验测试,该模型的m AP (mean average precision)为78. 9%和76. 7%,相对于经典的SSD算法,分别提高了1. 4%和0. 9%;此外,本文方法在检测小尺度目标时相较于经典SSD模型m AP提升了8. 3%。结论提出了一种多尺度特征图融合的目标检测算法,以自顶向下的方式扩展了语义信息,构造了高强度语义特征图用于实现精确目标检测。

关 键 词：计算机视觉 深度学习  卷积神经网络 目标检测 多尺度特征图  

分 类 号：TP391]