典型文献
基于逐级信息恢复网络的实时目标检测算法
文献摘要:
随着卷积神经网络的发展,目标检测算法成为计算机视觉领域的研究热点,基于深度学习的实时目标检测算法需要同时兼顾检测精度和检测速度两项指标.不基于先验框的实时目标检测算法CenterNet大幅提高了检测速度,但是由于其直接对低分辨率高层特征进行连续上采样,没有充分补充特征在下采样过程中丢失的空间细节信息,导致算法对目标定位不够准确,影响了检测精度.为解决这一问题,提出了一种基于逐级信息恢复网络(hierarchical information recovery network,HIRNet)的实时目标检测算法.该算法中,为对信息进行逐级恢复,设计了相邻层信息增强模块(adjacent layer information strength module,ALISM)和残差注意力特征融合(residual atten-tional feature fusion,RAFF)模块.通过构建ALISM模块,将中间层特征进行处理,分别为相邻层特征提供更多的空间细节信息和语义信息,提高低层特征的表达能力,输出更适宜进行信息恢复的特征.为进一步精确恢复损失的空间细节信息,HIRNet在上采样过程中逐级使用构建的RAFF模块,这一模块综合利用全局和局部注意力调整低层特征和高层特征的残差权重,再对两级特征进行加权融合,恢复高层特征在下采样过程中丢失的空间细节信息.在PASCAL VOC数据集和MS COCO数据集上的实验证明了所提算法的有效性.在MS COCO验证集上,HIRNet保证了检测的实时性,提升了算法检测性能,检测精度比CenterNet算法提高了3.9%.
文献关键词:
目标检测;深度学习;卷积神经网络;不基于先验框;逐级信息恢复
中图分类号:
作者姓名:
庞彦伟;余珂;孙汉卿;曹家乐
作者机构:
天津大学电气自动化与信息工程学院,天津 300072
文献出处:
引用格式:
[1]庞彦伟;余珂;孙汉卿;曹家乐-.基于逐级信息恢复网络的实时目标检测算法)[J].天津大学学报(自然科学与工程技术版),2022(05):471-479
A类:
逐级信息恢复,不基于先验框,HIRNet,ALISM,RAFF
B类:
复网,实时目标检测,目标检测算法,计算机视觉,要同,检测精度,检测速度,CenterNet,低分辨率,分辨率高,上采样,下采样,空间细节信息,目标定位,hierarchical,information,recovery,network,信息增强,adjacent,layer,strength,module,残差注意力,注意力特征融合,residual,atten,tional,feature,fusion,中间层,语义信息,低层,表达能力,更适宜,局部注意力,两级,加权融合,PASCAL,VOC,COCO,验证集,检测性能
AB值:
0.267269
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。