典型文献
协同级联网络和对抗网络的目标检测
文献摘要：
识别多尺度目标和遮挡目标是目标检测中的重点和难点.为了检测不同大小的目标,目标检测器通常利用卷积神经网络(CNN)的多尺度特征图层次结构,然而这种自顶向下的结构由于底层特征图的卷积层较小,缺乏获取小目标特征所需的细节信息,这些目标检测器的性能受到了限制.为此,结合Faster R-CNN框架提出Collaborative R-CNN,设计了一种级联网络结构,可以融合多尺度特征图,以生成深度融合的特征信息来增强小目标所需的细节特征,从而提高检测小目标的能力.此外,由于使用RoIPooling过程中的量化会对小目标检测造成极大的限制,为进一步提高方法的鲁棒性,设计了多尺度RoIAlign来消除这种量化,并通过多尺度的池化来提高网络检测不同尺度目标的能力.最后,将对抗网络与所提出的级联网络相结合,生成包含遮挡目标的训练样本,可显著提高模型的分类能力和识别遮挡目标的鲁棒性.在PASCAL VOC 2012和PASCAL VOC 2007数据集上的实验结果表明,提出的方法优于许多先进的方法.
文献关键词：
目标检测;卷积神经网络(CNN);特征融合;级联网络;对抗网络
中图分类号：
作者姓名：
李志欣;陈圣嘉;周韬;马慧芳
作者机构：
广西师范大学 广西多源信息挖掘与安全重点实验室,广西 桂林 541004;西北师范大学 计算机科学与工程学院,兰州 730070
文献出处：
引用格式：
[1]李志欣;陈圣嘉;周韬;马慧芳-.协同级联网络和对抗网络的目标检测)[J].计算机科学与探索,2022(01):217-230
A类：
RoIPooling,RoIAlign
B类：
同级,级联网络,对抗网络,多尺度目标,遮挡目标,重点和难点,同大,目标检测器,常利,多尺度特征图,图层,层次结构,自顶向下,底层特征,卷积层,小目标特征,细节信息,Faster,Collaborative,特征信息,细节特征,高检,小目标检测,提高方法,池化,网络检测,不同尺度,训练样本,PASCAL,VOC,特征融合
AB值：
0.306165
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。
