典型文献
多尺度特征融合的目标检测算法研究
文献摘要：
针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题,提出一种改进的多尺度目标检测算法.将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合;在训练阶段,采用在线难例样本挖掘算法维护难例样本分类池,加速神经网络模型迭代收敛,解决训练样本不均衡、训练效率低下的问题;计算并统计待检测目标的尺度大小,合理控制用于生成候选区域的锚框尺寸,提高模型泛化能力.采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证,实验结果表明,相比Faster R-CNN算法,本算法的平均检测精度在上述数据集下分别提高了 8.61和5.47个百分点.
文献关键词：
目标检测;多尺度特征融合;在线样本难例挖掘;Faster R-CNN;足球机器人
中图分类号：
作者姓名：
王君;陈敏;董明利;燕必希
作者机构：
北京信息科技大学仪器科学与光电工程学院,北京100192
文献出处：
引用格式：
[1]王君;陈敏;董明利;燕必希-.多尺度特征融合的目标检测算法研究)[J].光学技术,2022(06):749-754
A类：
类人足球机器人,在线样本难例挖掘
B类：
多尺度特征融合,目标检测算法,算法研究,Faster,多尺度目标检测,漏检,小目标检测,低层,大尺度,训练阶段,挖掘算法,类池,模型迭代,迭代收敛,训练样本,样本不均衡,训练效率,合理控制,候选区域,锚框,模型泛化,泛化能力,PASCAL,VOC2012,公开数据集,自建数据集,算法验证,检测精度,百分点
AB值：
0.328882
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。
