文献类型：期刊文章

作　　者：李青援[1] 邓赵红[1,2,3] 罗晓清[1] 顾鑫[4] 王士同[1]

LI Qingyuan;DENG Zhaohong;LUO Xiaoqing;GU Xin;WANG Shitong(School of Artificial Intelligence and Computer Science,Jiangnan University,Wuxi,Jiangsu 214122,China;Key Laboratory of Computational Neuroscience and Brain-Like Intelligence,Ministry of Education,Fudan University,Shanghai 200433,China;Zhangjiang Laboratory,Shanghai 200120,China;Jiangsu North Huguang Photoelectric Co.,Ltd.,Wuxi,Jiangsu 214035,China)

机构地区：[1]江南大学人工智能与计算机学院,江苏无锡214122 [2]复旦大学计算神经科学与类脑智能教育部重点实验室,上海200433 [3]张江实验室,上海200120 [4]江苏北方湖光光电有限公司,江苏无锡214035

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金面上项目(61772239);上海市市级重大科技专项(2018SHZDZX01)。

年　　份：2022

卷　　号：16

期　　号：11

起止页码：2575-2586

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、DOAJ、IC、JST、ZGKJHX、核心刊

摘　　要：为了进一步提升SSD算法的性能,解决SSD算法在进行多尺度预测时特征图信息不平衡和小目标识别难的问题,设计了即插即用的模块,充分融合不同尺度特征图包含的信息并建模特征图内的重要性关系,来增强特征图的表示能力。首先,设计了一种新颖的特征融合方法来解决跨尺度特征融合存在的信息差异问题。其次,根据池化金字塔的思想设计了一种深度特征提取模块来提取不同感受野的信息,从而提高模型对不同尺寸目标的检测能力。最后,为了进一步优化特征图,突出特征图对当前任务有效的信息,并建立全局像素点之间的长距离关系和各通道之间的重要性关系,提出了一种轻量级的注意力模块。通过上述机制,修改了SSD模型的架构,有效地提升了SSD算法的检测精度和鲁棒性。在PASCALVOC数据集上设计了丰富的实验,验证了所提方法的有效性。在PASCALVOC2007测试集上该方法比SSD算法提高了2.9个百分点的平均精确度(mAP),同时还保留了实时检测的能力。

关 键 词：目标检测 特征融合  注意力机制  深度学习  

分 类 号：TP391.41]