典型文献
融合注意力机制的深层次小目标检测算法
文献摘要：
骨干网络特征提取不充分以及浅层卷积层缺乏语义信息等往往导致了对于小目标检测的效果不佳,为提高小目标检测的精确性与鲁棒性,提出一种融合注意力机制的深层次小目标检测算法.首先,针对骨干网络特征提取能力不足的问题,选用Darknet-53作为特征提取网络,通过构建新的分组残差连接来替换原Darknet-53中的残差连接结构,形成新的I-Darknet53骨干增强网络,该分组残差结构可通过交织不同通道的特征信息有效提高输出的感受野大小.其次,在多尺度检测阶段,提出浅层特征增强网络,采用特征增强模块与通道注意力机制引导下的高效特征融合策略对浅层与深层进行特征融合获得浅层增强特征,从而改善浅层语义特征信息不足的问题.实验结果表明,相较于SSD算法,所提算法在PASCAL VOC数据集上检测效果更加突出.当输入图像尺寸为300×300时,模型平均精度均值为80.2％;当输入图像尺寸为500×500时,模型平均精度均值为82.3％.并且在保证检测速度的前提下,增强了模型对小目标的检测效果.
文献关键词：
小目标检测;特征提取;特征融合;注意力机制
中图分类号：
作者姓名：
赵鹏飞;谢林柏;彭力
作者机构：
物联网技术应用教育部工程研究中心(江南大学 物联网工程学院),江苏 无锡 214122
文献出处：
引用格式：
[1]赵鹏飞;谢林柏;彭力-.融合注意力机制的深层次小目标检测算法)[J].计算机科学与探索,2022(04):927-937
A类：
B类：
小目标检测,目标检测算法,骨干网络,网络特征,卷积层,语义信息,高小,精确性,特征提取能力,特征提取网络,残差连接,接来,连接结构,Darknet53,残差结构,特征信息,信息有效,高输出,感受野,多尺度检测,特征增强模块,通道注意力机制,特征融合,融合策略,层进,语义特征,SSD,PASCAL,VOC,检测效果,图像尺寸,模型平均,平均精度均值,检测速度
AB值：
0.32338
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。
