注意力机制与多层特征融合策略的安检图像目标检测方法

作者：张弘; 张思聪^*

来源：激光与光电子学进展, 2022, 59(16): 197-208.

• 图像处理
• 深度学习
• 目标检测
• X光安检图像
• 注意力模块
• 特征融合

YOLOv5(You only look once,v5)具有检测速度快、精度高的优点，被广泛应用于实时目标检测中。针对X光安检图像背景复杂、物体多尺度、相互重叠导致的错检、漏检问题，在YOLOv5s网络结构的基础上，通过改进注意力机制开发了新的特征融合策略，并提出了一种具有自适应特征融合策略与注意力机制的目标检测YOLOv5s-AFA网络。该网络在浅层引入扩大感受野模块与改进的空间注意力机制，在深层引入改进的通道注意力机制。新的特征融合策略可每次输出三个不同深度的特征图，通过自适应学习权重融合浅层空间信息与深层语义信息，使网络的学习更具针对性。在X光安检图像数据集上的目标检测结果表明，相比其他对比网络，YOLOv5s-AFA网络的错检率和漏检率有明显降低。

• 单位
  自动化学院; 西安邮电大学