融合注意力与特征金字塔的小尺度目标检测算法

作者：圣文顺; 余熊峰; 林佳燕; 陈欣

来源：计算机工程, 2023, 1-12.

DOI：10.19678/j.issn.1000-3428.0066724

• 深度学习
• 注意力机制
• 特征金字塔
• 小目标检测
• 截断物检测

针对Faster RCNN算法对于小尺寸目标以及遮挡或截断物体检测能力不理想的问题，提出一种融合CBAM注意力机制和FPN特征金字塔结构的改进Faster RCNN(Faster RCNN Integrating CBAM and FPN， CF-RCNN)算法。首先，为了重点聚焦特征图像局部高效用信息，减少无效目标的干扰，提升面对遮挡或截断物体的检测能力，在特征提取网络中融入CBAM机制；其次，为了增强小目标物体的检测效果，引入了FPN特征金字塔结构，联结高层与底层特征数据，获得高分辨率、强语义数据；再次，为了缓解梯度消失现象，减少超参数规模，使激活函数信息在高维环境中得到更好保留，提高检测准确率，使用表达能力较强的倒残差ResNet-50(ResNet-50 with Inverse Residual Structure， VS-ResNet)网络替换常用的VGG16网络，VS-ResNet网络在原有ResNet-50基础上修改了部分层次结构，加入辅助分类器，改用倒残差和组卷积方式；最后，为了弥补非极大值抑制(Non-Maximum Suppression， NMS)算法误消除重叠检测框的缺陷，重置候选框分值计算方法。实验表明，VS-ResNet基于CIFAR-10数据集，比VGG16正确率提高了2.97个百分点，CF-RCNN在PASCAL VOC2012数据集上的目标检测mAP值为76.2%，比原始的Faster RCNN算法的mAP值62.3%提高了13.9个百分点。

• 单位
  南京工业大学浦江学院