计算机工程

作者：宋天泽, 曹从军, 何佳琪, 王旭升, 刘晨煜

单位：1. 西安理工大学印刷包装与数字媒体学院, 陕西 西安 7100542. 陕西省印刷包装工程技术研究中心, 陕西 西安 710054

关键词：行人检测,目标检测,深度卷积,迁移学习,自注意力机制

基金：陕西省重点科研基地项目(2023HBGC-18)

密集行人检测是行人检测领域的一大研究热点。针对密集行人检测场景中被遮挡目标及小目标行人易漏检的问题, 提出一种改进DETR的目标检测算法Pe-DETR。采用基于多头自注意力机制的Dino-DETR作为基准模型, 因自注意力机制缺少捕获局部特征的能力, 导致密集行人检测效果较差, 对前馈神经网络(FNN)进行改进, 设计通道注意力深度卷积前馈神经网络DWSEFNN, 使模型可以提取到更多局部细节特征。针对ResNet50骨干网络对重要特征提取效率较低的问题, 采用Swin Transformer-L作为特征提取网络, 提升骨干网络对重要特征的提取能力, 同时使Pe-DETR完全基于注意力机制搭建, 结构中不包含深度卷积结构。针对密集行人场景中目标数量多与DETR检测器中稀疏匹配的矛盾问题, 应用密集不同查询有效应对行人密集的场景, 且不会引入无效的相似查询。在CrowdHuman密集行人检测数据集上的实验结果表明, 所提行人检测算法Pe-DETR相比Dino-DETR算法的平均精度(AP)@0.5提高了3.7百分点, AP提高4.5百分点, 在密集行人检测任务中改进后Pe-DETR算法的准确率明显优于其他端到端模型。

来源：2026年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第5期