典型文献
改进CenterNet的无人机小目标捕获检测方法
文献摘要：
小目标因浅层特征语义不足而深层特征信息缺失导致极难检测,而无人机视角场景复杂,检测难度进一步增大.普遍提升小目标检测精度的方法是进行不同层级的特征融合,但这会导致特征高冗余问题,并非所有特征层都值得被激活传递到后方的数据预测中去.针对上述问题对CenterNet进行改造,首次将其与自适应特征激活相结合,提出自适应基础模块(MSA),抑制冗余特征的表达;在主干输出处引入升维全局上下文注意力模块(GC-Block),强化关键点语义信息;用深度可分离卷积与Mish激活搭建高质量解码块(DW),在不增加模型复杂度的情况下提升解码精度.在公开的无人机捕获小目标数据集上进行对比实验,改进算法的AP较原始算法提升了2.2个百分点,召回率提升了2.4个百分点,验证了改进算法对小目标检测任务的有效性.
文献关键词：
无人机捕获目标检测;小目标检测;anchor-free;自适应激活;注意力机制
中图分类号：
作者姓名：
刘鑫;黄进;杨涛;王晴
作者机构：
西南交通大学 电气工程学院,成都 611756
文献出处：
引用格式：
[1]刘鑫;黄进;杨涛;王晴-.改进CenterNet的无人机小目标捕获检测方法)[J].计算机工程与应用,2022(14):96-104
A类：
无人机捕获目标检测
B类：
CenterNet,目标捕获,深层特征,特征信息,信息缺失,极难,小目标检测,检测精度,特征融合,数据预测,基础模块,MSA,冗余特征,出处,升维,全局上下文,上下文注意力,注意力模块,Block,语义信息,深度可分离卷积,Mish,解码,DW,模型复杂度,改进算法,AP,百分点,召回率,anchor,free,自适应激活,注意力机制
AB值：
0.384734
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。
