典型文献
增强小目标检测性能的通道自注意力机制算法研究
文献摘要：
小目标检测是计算机视觉领域具有挑战性的问题.空间注意力和通道注意力机制的使用提高了 目标检测网络的均值平均精度,但捕获小物体上下文信息的能力仍然有限,并且在小目标和大中型目标的检测精度上存在差距,难以感知小物体的位置.算法构建了一种基于通道自注意力机制(Channel Self-Attention,CSA)的算法模块,将输入特征映射压缩后,运用自注意力机制建立特征通道间相关性,自适应地重新优化特征通道的响应,提升了捕获小物体远距离上下文信息的能力,从而提高了对小目标的检测精度.实验结果表明,在几乎不增加计算成本的情况下,CSA块能够为现有目标检测网络带来性能改进.在PASCAL VOC2007数据集上,采用通道自注意力机制的RetinaNet的mAP值分别比原始RetinaNet的mAP值高3.11个百分点.使用通道自注意力机制的MobileNetv2比原始的MobileNetv2 mAP值提高3.05个百分点.
文献关键词：
注意力机制;小目标检测;自注意力;通道注意力;空间注意力
中图分类号：
作者姓名：
尹芹;方晖;王金东;王侃;晏天文;霍智勇
作者机构：
中兴通讯股份有限公司多媒体视讯产品部,江苏南京210000;南京邮电大学通信与信息工程学院,江苏南京210003
文献出处：
引用格式：
[1]尹芹;方晖;王金东;王侃;晏天文;霍智勇-.增强小目标检测性能的通道自注意力机制算法研究)[J].南京邮电大学学报（自然科学版）,2022(04):69-74
A类：
B类：
小目标检测,检测性能,通道自注意力机制,算法研究,计算机视觉,空间注意力,通道注意力机制,目标检测网络,均值平均精度,上下文信息,大中型,检测精度,Channel,Self,Attention,CSA,算法模块,输入特征,特征映射,机制建立,通道间相关性,远距离,加计,计算成本,性能改进,PASCAL,VOC2007,RetinaNet,mAP,百分点,MobileNetv2
AB值：
0.292367
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。
