典型文献
递归特征融合与并行缩放的航拍工程车辆检测
文献摘要：
针对无人机航拍输电走廊图像中背景复杂多变、目标偏小且尺度变化大导致检测精度差的问题,本文提出基于RetinaNet递归特征融合与并行缩放的工程车辆检测方法.该方法更适合检测复杂背景中的工程车辆:首先,增添C2层为基础层,与原始骨干网输出层共同用于生成特征金字塔,避免小目标特征被高度压缩;其次,调整原始特征金字塔层次结构,将具有反馈连接的递归结构用于特征提取增强表征能力,设计新颖轻巧的特征融合策略重构特征金字塔,充分利用上下文信息,提高对复杂背景中目标的检测能力;最后,在骨干网C5层的基础上使用多个反卷积块和平均池化层构造并行输出的特征缩放分支,进一步增加特征图的分辨率,提高对小目标的检测精度.在本文构造的工程车辆APEV数据集和公开的PASCAL VOC数据集上分别进行对比实验,结果表明,所提方法的检测速度在满足工程应用需求的前提下,检测精度比原始RetinaNet网络分别提升4.9％和2.7％,与Faster R-CNN、SSD、YOLOv3、YOLOv5、LSN、S-RetinaNet 等方法相比精度更高.
文献关键词：
无人机;电力巡检;输电走廊;工程车辆检测;特征融合;特征缩放
中图分类号：
作者姓名：
马学森;储昭坤;马吉
作者机构：
合肥工业大学计算机与信息学院,安徽合肥230601;安全关键工业测控技术教育部工程研究中心,安徽合肥230601
文献出处：
引用格式：
[1]马学森;储昭坤;马吉-.递归特征融合与并行缩放的航拍工程车辆检测)[J].微电子学与计算机,2022(08):39-46
A类：
递归特征融合,APEV
B类：
工程车辆检测,无人机航拍,输电走廊,尺度变化,检测精度,RetinaNet,复杂背景,C2,基础层,骨干网,出层,同用,特征金字塔,小目标特征,层次结构,递归结构,表征能力,轻巧,融合策略,策略重构,重构特征,上下文信息,检测能力,C5,反卷积,平均池化,特征缩放,加特,特征图,PASCAL,VOC,检测速度,应用需求,Faster,SSD,YOLOv3,YOLOv5,LSN,电力巡检
AB值：
0.326964
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。
