基于双头Faster R-CNN的周界入侵行人检测研究

针对双阶段检测模型在分类和边界框回归任务上存在不足,无法充分发挥检测模型性能问题,对Faster R-CNN进行改进,提出双头Faster R-CNN检测模型。首先,利用骨干网络和特征金字塔网络(feature pyramid networks, FPN)得到多尺度特征图,然后,将多尺度特征图送入区域建议网络(region proposal network, RPN),最后,利用Double Head使全连接头更加关注分类任务,卷积头更加关注回归任务,提升检测模型性能。实验结果表明,文章所提出的模型可以显著提高行人检测的性能。在COCOPersons数据集上的检测精度能达到55.2 AP,相比基于FPN的Faster R-CNN在大、中、小三个尺度下的行人检测平均精度(average precision, AP)分别有0.9、1.7、3.6个点的显著提升。