早前提出的one-stage类算法SSD,在主干网络特征提取方面,经过3×3的卷积之后会造成计算通道数增多。同时,在SSD中这些被提取出的特征直接生成特征图并分别丢入预测模型中,导致层与层之间没有很好的信息交融。在现实的检测过程中,因...早前提出的one-stage类算法SSD,在主干网络特征提取方面,经过3×3的卷积之后会造成计算通道数增多。同时,在SSD中这些被提取出的特征直接生成特征图并分别丢入预测模型中,导致层与层之间没有很好的信息交融。在现实的检测过程中,因为神经网络的主导为大型目标,常常会忽略相对于大型物体更容易被漏检的小型物体,导致小型被检测物的检测成功率较低。因此基于SSD进行研究,融入了一种基于特征融合的感受野模型Receptive Field Block。在特征提取的主干网络上,基于感受视野特征提取融入特征融合模块,以加强对小目标的检测效果。该改进算法框架在VOC公开数据集上的mAP为81.8%,在自制的针对小目标的航拍数据集上的mAP为82.8%,在牺牲了部分速度的情况下,在精度方面产生了较大的优势。展开更多
文摘早前提出的one-stage类算法SSD,在主干网络特征提取方面,经过3×3的卷积之后会造成计算通道数增多。同时,在SSD中这些被提取出的特征直接生成特征图并分别丢入预测模型中,导致层与层之间没有很好的信息交融。在现实的检测过程中,因为神经网络的主导为大型目标,常常会忽略相对于大型物体更容易被漏检的小型物体,导致小型被检测物的检测成功率较低。因此基于SSD进行研究,融入了一种基于特征融合的感受野模型Receptive Field Block。在特征提取的主干网络上,基于感受视野特征提取融入特征融合模块,以加强对小目标的检测效果。该改进算法框架在VOC公开数据集上的mAP为81.8%,在自制的针对小目标的航拍数据集上的mAP为82.8%,在牺牲了部分速度的情况下,在精度方面产生了较大的优势。