科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统目标检测算法容易出现漏检、误检或者有遮挡物时检测困难等问题，提出一种Res2Net融合注意力机制的YOLOv4(Res2Net fusion with attention learning YOLOv4, RFAL YOLOv4)目标检测模型；首先为了获取更多特征图语义信息，通过在一个残差块内构造层次化的类残差连接，引入Res2Net替换原YOLOv4主干网络中的ResNet残差网络结构，可以获取到更细小的特征，同时也增加了模型感受野；其次将Res2Net与注意力机制相融合，获取关键特征信息，减轻因优化主干网络带来计算量增加的负担；最后通过改进CIOU损失，降低预测框与真实框之间的误差值，有效的解决因目标过小或者有遮挡时模型出现漏检误检等问题；在公开的PASCAL VOC数据集上进行验证，结果表明：RFAL YOLOv4模型的mAP达到了79.5%,比原模型提升了5.5%,改进后的模型具有较高的鲁棒性。
- 单位
