典型文献
基于改进FCOS的细长物体检测算法
文献摘要：
目标检测作为计算机视觉的重要分支之一应用广泛,其中针对细长物体的检测不仅研究成果少,且识别精度低.相较于基于锚框的检测算法,无锚框方法对任意几何形状物体的定位均具有较好的灵活性,能更好地适应细长物体的形状,其中基于全卷积网络的一阶段检测算法(FCOS)通过基于中心度的预测框抑制机制可以更好地标定细长目标.据此提出改进FCOS的细长物体检测算法,将FCOS骨干网络中卷积运算替换为可变形卷积,设计了增强的特征金字塔网络的特征融合模块(EFPN),EFPN充分利用通道注意力机制和空洞卷积减少语义信息的丢失,同时能进行有效的特征融合;为更好标定细长目标,使用带有细长度的中心度抑制低质量的检测框.实验结果表明,改进的算法与FCOS相比平均精度提升了3.3％,与卷积神经网络(Faster R-CNN)相比提升了6.9％,验证了其有效性.
文献关键词：
细长物体检测;可变形卷积;注意力机制;空洞卷积;中心度
中图分类号：
作者姓名：
王梅;胡晓杰
作者机构：
沈阳理工大学 信息科学与工程学院,沈阳110159
文献出处：
引用格式：
[1]王梅;胡晓杰-.基于改进FCOS的细长物体检测算法)[J].沈阳理工大学学报,2022(04):8-13,19
A类：
细长物体检测,增强的特征金字塔网络
B类：
FCOS,检测算法,目标检测,计算机视觉,一应,识别精度,无锚框方法,几何形状,状物,全卷积网络,一阶段检测,中心度,抑制机制,地标,骨干网络,卷积运算,可变形卷积,特征融合模块,EFPN,通道注意力机制,空洞卷积,语义信息,低质量,精度提升,Faster
AB值：
0.230596
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。
