典型文献
一种特征由深到浅叠加融合的多尺度目标检测模型
文献摘要：
基于深度学习的特征金字塔网络(Feature Pyramid Networks,FPN)仅采用一次上采样与相邻层特征融合的方法,存在浅层网络与深层网络特征关联性不强,多层网络特征融合不充分的问题,影响多尺度目标检测精度.对此,将主干网络中提取的特征进行由深到浅的叠加融合,并对特征金字塔中得到的特征进行补充叠加融合.此外,为进一步提高检测器对目标特征的识别能力,对每次叠加融合后得到的特征通过non-local网络进行特征增强.以PASCAL VOC为数据集的目标检测实验结果表明,所提目标检测模型对数据集中所有类别目标的平均检测精度(mean Average Precision,mAP)为80.6％,对行人类别的检测精度(Average Precision,AP)为81.3％,较FPN网络分别提高了2.4％和2.8％,有效提高了多尺度目标检测精度.
文献关键词：
深度学习;目标检测;特征融合;多尺度
中图分类号：
作者姓名：
陈海燕;李春尧
作者机构：
兰州理工大学计算机与通信学院,甘肃 兰州730050
文献出处：
引用格式：
[1]陈海燕;李春尧-.一种特征由深到浅叠加融合的多尺度目标检测模型)[J].传感技术学报,2022(10):1375-1381
A类：
B类：
深到,多尺度目标检测,目标检测模型,特征金字塔网络,Feature,Pyramid,Networks,FPN,上采样,特征融合,深层网络,网络特征,特征关联,多层网络,检测精度,主干网络,塔中,高检,检测器,目标特征,识别能力,local,特征增强,PASCAL,VOC,mean,Average,Precision,mAP
AB值：
0.382947
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。
