文献类型：期刊文章

作　　者：鞠默然[1,2,3,4,5] 罗江宁[6] 王仲博[1,2,3,4,5] 罗海波[1,2,4,5]

Ju Moran;Luo Jiangning;Wang Zhongbo;Luo Haibo(Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang,Liaoning 110016,China;Institute of Robotics and Intelligent Manufacturing,Chinese Academy of Sciences,Shenyang,Liaoning 110016,China;University of Chinese Academy of Sciences,Beijing 100049,China;Key Laboratory of Opto-Electronic Information Processing,Chinese Academy of Sciences,Shenyang,Liaoning 110016,China;Liaoning Key Laboratory of Image Understanding and Computer Vision,Shenyang,Liaoning 110016,China;McGill University,Quebec H3A 0G4,Canada)

机构地区：[1]中国科学院沈阳自动化研究所,辽宁沈阳110016 [2]中国科学院机器人与智能制造创新研究院,辽宁沈阳110016 [3]中国科学院大学,北京100049 [4]中国科学院光电信息处理重点实验室,辽宁沈阳110016 [5]辽宁省图像理解与视觉计算重点实验室,辽宁沈阳110016 [6]麦吉尔大学,加拿大魁北克H3A 0G4

出　　处：《光学学报》

年　　份：2020

卷　　号：40

期　　号：13

起止页码：126-134

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于串联(concat)操作的特征融合方法仅仅融合了相邻尺度的特征,并没有充分利用来自其他尺度的输出特征。并且,串联操作只是在通道维度上将不同尺度的特征连接,不能反映不同通道间特征的相关性和重要性。针对这些问题,提出了一种基于注意力机制的特征融合算法。该算法利用注意力机制来融合不同尺度的特征,通过对每个通道的特征进行权重分配来学习不同通道间特征的相关性。将基于注意力机制的特征融合算法与YOLO V3相结合,构建多尺度目标检测器,并利用Focal loss和GIOU loss来设计检测器的损失函数。在PASCAL VOC和KITTI数据集上对不同算法进行对比实验,实验结果表明,多尺度目标检测器具有更高的检测精度和较快的检测速度。

关 键 词：机器视觉 卷积神经网络 特征融合  注意力机制  YOLO V3  

分 类 号：TP391.4]