典型文献
基于多尺度感受野融合的小目标检测算法
文献摘要：
针对通用目标检测算法在检测小目标时检测精度低的问题,提出一种基于多尺度感受野融合的小目标检测算法S-RetinaNet.该算法采用残差神经网络(residual neural network,ResNet)提取出图像的特征,利用递归特征金字塔网络(recursive feature pyramid network,RFPN)对特征进行融合,通过多尺度感受野融合模块(multiscale receptive field fusion,MRFF)分别处理RFPN的三个输出,提升对小目标的检测能力.实验表明,相比改进前的RetinaNet算法,S-RetinaNet算法在PASCAL VOC数据集上的均值平均精度(mean average precision,mAP)和MS COCO数据集上的平均精度(average precision,AP)分别提高了2.3和1.6个百分点,其中小目标检测精度(average precision small,APS)更为显著,提升了2.7个百分点.
文献关键词：
神经网络;小目标检测;感受野;特征金字塔
中图分类号：
作者姓名：
李成豪;张静;胡莉;肖贤鹏;张华
作者机构：
西南科技大学 信息工程学院,四川 绵阳 621010;中国科学技术大学 信息科学技术学院,合肥 230026
文献出处：
引用格式：
[1]李成豪;张静;胡莉;肖贤鹏;张华-.基于多尺度感受野融合的小目标检测算法)[J].计算机工程与应用,2022(12):177-182
A类：
感受野融合,RFPN,MRFF
B类：
小目标检测,目标检测算法,检测精度,RetinaNet,残差神经网络,residual,neural,network,ResNet,出图,递归特征金字塔,特征金字塔网络,recursive,feature,pyramid,multiscale,receptive,field,fusion,别处,检测能力,进前,PASCAL,VOC,均值平均精度,mean,average,precision,mAP,COCO,百分点,small,APS
AB值：
0.32771
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。
