典型文献
改进RetinaNet特征融合方式的无人机检测方法
文献摘要：
常见的目标检测方法如R-CNN系列方法、YOLO系列方法和RetinaNet等,虽然在通用数据集上有着不俗表现,但是在无人机小目标检测任务中的表现却不尽如人意.分析原因是这些方法采用的传统特征金字塔融合网络FPN存在着上采样失真、语义信息衰减以及深层语义差异的问题,导致目标检测网络未能获取足够有辨识度的特征,致使其在无人机小目标检测任务中表现不佳.对此,该文提出了一种基于RetinaNet网络的多尺度特征融合方法.该方法采用像素洗牌上采样模块构建了像素洗牌融合网络,并且引入了深层语义增强模块,可在多尺度特征融合阶段提升无人机小目标在网络浅层的特征表示效果,进而提升深度神经网络对无人机小目标的检测性能.最后在自建蜂群无人机数据集上的实验结果显示,引入新的特征融合方法之后,网络对无人机的检测精度达到91.2％,提升了1.7％.
文献关键词：
小目标检测;无人机检测;RetinaNet;特征融合;深度学习
中图分类号：
作者姓名：
马田源;孙涵
作者机构：
南京航空航天大学 计算机科学与技术学院,江苏 南京211106
文献出处：
引用格式：
[1]马田源;孙涵-.改进RetinaNet特征融合方式的无人机检测方法)[J].计算机技术与发展,2022(12):103-109
A类：
B类：
RetinaNet,融合方式,无人机检测,目标检测方法,YOLO,通用数据,不俗,小目标检测,尽如人意,分析原因,传统特征,特征金字塔融合,融合网络,FPN,着上,上采样,失真,语义信息,深层语义,语义差异,目标检测网络,辨识度,多尺度特征融合,融合方法,像素,洗牌,样模,语义增强,特征表示,深度神经网络,检测性能,蜂群无人机,检测精度
AB值：
0.33825
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。
