计算机工程

作者：张天鹏, 韩晶, 吕学强

单位：北京信息科技大学网络文化与数字传播北京市重点实验室, 北京 100101

关键词：深度学习,小目标检测,多任务学习,超分辨率,注意力机制

基金：国家自然科学基金(62171043); 北京市自然科学基金(4232025); 北京市教委科研计划科技一般项目(KM202311232003)

小目标通常具有低分辨率和模糊不清的特点, 并容易受到遮挡和背景的影响, 导致难以实现准确且实时的小目标检测。为提升检测效果, 提出一种基于多任务学习的超分辨率辅助小目标检测算法Multi-YOLO。首先, 引入一个超分辨率辅助分支引导主干网络提取有效特征, 减少小目标信息丢失; 其次, 采用Anchor based协同监督Anchor free的双检测头训练方法来辅助提升检测准确性, 另外, 在骨干网络尾部使用CTR3模块加强目标信息与位置感知的关联性; 最后, 在推理阶段仅使用检测分支进行推理以保证推理速度。实验结果表明, Multi-YOLO相对于基准网络在VEDAI、COCO MiniTrain和SPCD数据集上均取得了一定的性能提升, 其中在VEDAI数据集上, Multi-YOLO实现了10.9%的平均精度均值(mAP)提升, 且与基准模型大小相近。同时, 与主流的单阶段目标检测网络相比, Multi-YOLO在小目标检测方面表现出色, 并在精度和速度之间取得了平衡。

来源：2024年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第9期