计算机工程

作者：石先让, 苏洋, 提艳, 宋廷伦, 戴振泳

单位：1. 南京航空航天大学 能源与动力学院, 南京 210001;2. 奇瑞前瞻与预研技术中心, 安徽 芜湖 241006

关键词：深度学习,目标检测,Anchor-free方法,关键点,锚框

基金：安徽省发改委重大研发项目“面向智能网联汽车的全线控底盘开发及测试验证）。

在原CenterNet算法中，以Hourglass为Backbone的目标检测模型平均精度均值高于one-stage算法，但检测速度较低。为此，基于原有CenterNet目标检测算法，对Hourglass-104模型进行改进，设计一种Hourglass-208模型，并给出双特征金字塔网络特征图融合方法。在此基础上对目标大小和训练采用smooth L1损失函数，提出一种新的可端到端训练的目标检测算法T_CenterNet。在MS COCO数据集上的实验结果表明，该算法目标检测的评估指标AP50、APS、APM分别为63.6%、31.6%、45.8%，检测速度达到36 frame/s，综合性能优于原CenterNet算法。

来源：2021年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2021年第9期