复杂场景中多阶段自适应帽子检测算法

针对现有目标检测算法在复杂场景中对小尺度帽子存在误检漏检等问题,提出一种多阶段自适应帽子检测算法(MAHD)。首先,构建一个基于自适应卷积的区域预测网络(MA RPN),通过多阶段对锚框的特征进行细化,提高算法在复杂背景下的目标识别能力;然后,利用自适应采样策略动态分配正负样本,并结合焦点损失函数(Focal Loss)引导MA RPN的训练,提高对小目标的检测精度;最终,在自建的HAT4.5k数据集上进行实验,结果表明,该算法相比Grid R-CNN算法AP提高了2.6%,APS提高了5.1%;并在开源的VisDrone-DET 2019数据集上进一步验证了对小目标的检测效果,所提算法具有较高的检测性能,表明了该算法的可行性和有效性。