文献类型：期刊文章

作　　者：李昕昕[1] 杨林[2]

LI Xinxin;YANG Lin(School of Computer Science and Software Engineering,Jincheng College of Sichuan University,Chengdu 611731,China;School of Information Science and Technology,Southwest Jiaotong University,Chengdu 610031,China)

机构地区：[1]四川大学锦城学院计算机与软件学院,成都611731 [2]西南交通大学信息科学与技术学院,成都610031

出　　处：《计算机工程与应用》

基　　金：四川省重点研发项目(面上)(No.2019YFS0432)。

年　　份：2020

卷　　号：56

期　　号：22

起止页码：124-131

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：复杂道路场景中小尺度行人目标检测漏检率高,实时性较差,提出了一种针对小尺度行人检测的增强算法,对RFB(Receptive Field Block)网络从特征提取网络结构及损失函数两方面进行改进:通过反向融合的方式将多尺度特征图通道间Shuffle后的深层特征组多级融合到浅层,并在采用更浅层特征的同时加入改进RFB模块及Normalization层,充分利用多尺度特征层间的信息进行小尺度行人检测。损失函数采用基于交并比和中心点距离解决评测与回归损失函数评价指标不等价问题。实验结果表明,该算法在Caltech行人数据集上总体行人和小尺度行人的漏检率分别降低了4.7个百分点与9.0个百分点,单张图片平均检测时间为36 ms,性能高于同类算法。

关 键 词：小尺度行人检测  复杂道路场景  多特征融合 通道Shuffle  

分 类 号：TP391.41]