文献类型：期刊文章

作　　者：王凤随[1,2,3] 王启胜[1,2,3] 陈金刚[1,2,3] 刘芙蓉[1,2,3]

Wang Fengsui;Wang Qisheng;Chen Jingang;Liu Furong(School of Electrical Engineering,Anhui Polytechnie Univeraity,Wuhu.Anhui 241000,China;Anhui Key Laborutory of Detection Technoloy and Energy Saving Derices,Wuhu.Amhui 241000,China;Key Laboratory of Advanced Perception and Intelligent Control of High.end Equipment,Ministry of Eaducation,Wuhu,Anhui 241000,China)

机构地区：[1]安徽工程大学电气工程学院,安徽芜湖241000 [2]检测技术与节能装置安徽省重点实验室,安徽芜湖241000 [3]高端装备先进感知与智能控制教育部重点实验室,安徽芜湖241000

出　　处：《激光与光电子学进展》

基　　金：安徽高校省级自然科学研究重点项目(KJ2019A0162);安徽省自然科学基金(2108085MF197,1708085MF154);检测技术与节能装置安徽省重点实验室开放基金资助项目(DTESD2020B02)。

年　　份：2021

卷　　号：58

期　　号：24

起止页码：397-408

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：针对目标检测网络Faster R-CNN(Faster Region-Convolutional Neural Network)存在漏检、误检和检测精度低的问题,提出一种融合注意力机制和Soft-NMS(Soft Non-Maximum Suppression)的Faster R-CNN目标检测算法。为了增强Faster R-CNN目标检测算法对特征图中全局重要特特的提取并弱化无关特征,首先在网络中引入了注意力机制;其次针对注意力机制采用两个全连接层构成瓶颈结构会造成局部信息损失的问题,构建一种可以和卷积神经网络进行端到端训练的非降维通道注意力和空间注意力串联模块;然后通过在区域建议网络中引入Soft-NMS替换传统的非极大抑制算法,可以降低目标漏检并提高定位精度;最后在评价标准里引入了误检率,进一步验证模型的性能。实验结果表明,基于ResNet-50的Faster R-CNN目标检测算法有效降低了漏检、误检并提高了定位精度,而且在平均检测精度上得到了明显的提升。

关 键 词：光计算 目标检测 注意力机制  非极大抑制  卷积神经网络  Faster R-CNN  

分 类 号：TP181]