计算机工程

作者：吴珊, 周凤

单位：贵州大学 计算机科学与技术学院 公共大数据国家重点实验室, 贵阳 550025

关键词：深度学习,注意力机制,小目标检测,特征增强,特征融合

基金：贵州省科技计划项目(黔科合战略找矿[2022]ZD001)

SSD属于经典的单阶段目标检测算法，通过在不同卷积层上生成6个尺度的特征图进行预测，但由于其存在浅层特征图的非线性程度不够、语义信息缺乏等问题，且小目标所含像素少，导致小目标在经过多次卷积操作后信息丢失严重，小目标的检测准确率远低于大中尺度目标的检测准确率。提出多尺度特征与混合注意力机制融合的策略，在替换原骨干网络的基础上构建自下而上的下采样路径和自上而下的上采样路径。具体来说，下采样路径使用自注意力机制自适应地增强浅层空间特征和深层语义特征。在上采样路径中，通过融合3个尺度特征图的局部信息和全局信息，增强深层特征的语义信息，并引入空间注意力机制和坐标注意力机制以丰富待融合特征图的语义信息和位置信息，同时使用自注意力增强模块增强融合特征的表达能力。实验结果表明，当输入图像大小为512×512像素时，所提改进算法在PASCAL VOC和HRRSD数据集上的平均精度均值分别为84.6%、89.6%，与SSD算法相比分别提高了6.1、8.8个百分点。

来源：2023年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第7期