基于感兴趣区域聚集层的强化学习算法的目标检测

在传统深度强化学习的目标检测基础上,提出了一种基于感兴趣区域聚集层的策略,改进传统深度强化学习中使用RoIPooling层将感兴趣区域池化为固定尺寸时造成的像素偏差.首先遍历整个感兴趣区域,保持感兴趣区域的浮点数边界;然后将感兴趣区域平均分割成7×7个矩阵单元,保持每个矩阵单元的边界也是浮点数;最后在每个矩阵单元中使用双三次插值法计算固定的4×4个坐标位置,进行最大池化操作.结果表明:在Pascal VOC2012数据集上,改进方法提升了模型的检测精度;智能体(agent)可以在较少的步数里检测出更多图像中的物体,效率更高;在精准率与召回率上优于传统深度强化学习策略,平均精度比传统目标检测方法更有优势.