基于注意力和多尺度特征交互的遥感图像目标检测

遥感图像目标检测存在目标尺寸变化大、小目标排列密集、背景信息复杂等问题,针对这些问题,提出了端到端的遥感图像目标检测网络AMFI-RetinaNet(Attention and Multi-scale Feature Interactive-RetinaNet)来提高特征的判别能力。首先,提出了卷积注意力来增强特征的空间信息,并结合通道注意力来增强特征的通道信息,该注意力模块位于特征提取网络的低层,能有效突出关键的细节特征,并提高网络对小目标的检测能力。此外,还提出了多尺度特征交互模板,通过相邻两层特征的交互,使低层特征信息流向高层,在特征金字塔结构后引入该模块,进一步提高了网络对多尺度目标的检测性能。在RSOD数据集和NWPU VHR-10数据集上进行实验,该方法比原RetinaNet网络的平均检测精度分别提升了2%和1.1%,实验结果表明提出的AMFI-RetinaNet网络可以更精确地对遥感图像目标进行检测和定位。

基于YOLOv5s+CANet的人脸口罩检测改进算法

为解决实际应用场景中人脸检测可能会出现的光照模糊、遮挡物不明确等一系列问题,提高检测的精确度,本文基于YOLOv5s算法,针对人脸口罩目标检测进行网络模型改进:在YOLOv5s的主干网络部分和颈部的不同网络层级处加入注意力机制,针对边界框回归任务,替换YOLOv5s模型的损失函数,加速收敛提高回归精度。实验结果表明,当在YOLOv5s的backbone部分的P5层和Neck部分的P4、P5层之后加入Coordinate注意力机制,并用SIoU_Loss替换原本损失函数后,改进后的YOLOv5s算法与基准模型相比,精度值提升了1.6%。