-
题名基于反卷积和特征融合的SSD小目标检测算法
被引量：14
- 1
-
-
作者
赵文清
周震东
翟永杰
-
机构
华北电力大学控制与计算机工程学院
-
出处
《智能系统学报》
CSCD
北大核心
2020年第2期310-316,共7页
-
基金
国家自然科学基金项目(61773160)。
-
文摘
由于小目标的低分辨率和噪声等影响,大多数目标检测算法不能有效利用特征图中小目标的边缘信息和语义信息,导致其特征与背景难以区分,检测效果差。为解决SSD(single shot multibox detector)模型中小目标特征信息不足的缺陷,提出反卷积和特征融合的方法。先采用反卷积作用于浅层特征层,增大特征图分辨率,然后将SSD模型中卷积层conv112的特征图上采样,拼接得到新的特征层,最后将新的特征层与SSD模型中固有的4个尺度的特征层进行融合。通过将改进后的方法与VOC2007数据集和KITTI车辆检测数据集上的SSD和DSSD方法进行比较,结果表明:该方法降低了小目标的漏检率,并提升整体目标的平均检测准确率。
-
关键词
小目标检测
反卷积
特征映射
多尺度
特征融合
SSD模型
pascal
voc数据集
KITTI数据集
-
Keywords
small target detection
deconvolution
feature mapping
multi-scale
feature fusion
SSD model
pascal voc dataset
KITTI dataset
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名引入通道注意力机制的SSD目标检测算法
被引量：24
- 2
-
-
作者
张海涛
张梦
-
机构
辽宁工程技术大学软件学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第8期264-270,共7页
-
基金
辽宁省自然科学基金(20170540426)。
-
文摘
为提升原始SSD算法的小目标检测精度及鲁棒性,提出一种基于通道注意力机制的SSD目标检测算法。在原始SSD算法的基础上对高层特征图进行全局池化操作,结合通道注意力机制增强高层特征图的语义信息,并利用膨胀卷积结构对低层特征图进行下采样扩大其感受野以增加细节与位置信息,再通过级联的方式将低层特征图与高层特征图相融合,从而实现小目标及遮挡目标的有效识别。实验结果表明,与原始SSD算法相比,该算法在PASCAL VOC数据集上的平均精度均值提升了2.2%,具有更高的小目标检测精度和更好的鲁棒性。
-
关键词
SSD算法
全局池化
通道注意力机制
膨胀卷积
pascal
voc数据集
-
Keywords
SSD algorithm
global pooling
channel attention mechanism
dilated convolution
pascal voc dataset
-
分类号
TP317
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于深度网络的图像语义分割综述
被引量：37
- 3
-
-
作者
罗会兰
张云
-
机构
江西理工大学信息工程学院
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2019年第10期2211-2220,共10页
-
基金
国家自然科学基金(No.61462035,No.61862031)
江西省青年科学家培养项目(No.20153BCB23010)
江西省自然科学资金项目(No.20171BAB202014)
-
文摘
图像语义分割不仅预测一幅图像中的不同类别,同时还定位不同语义类别的位置,具有重要的研究意义和应用价值.本文阐述了图像语义分割最新的研究成果和方法,从三个角度综述了基于深度卷积神经网络的图像语义分割模型,分别是基于候选区域模型、基于全卷积网络模型和基于弱监督学习的语义分割模型,对这三类模型的方法和结构进行了详细的研究和分析.并在PASCAL VOC 2012数据集上对一些代表性的语义分割算法的性能进行了比较分析.
-
关键词
图像语义分割
深度卷积神经网络
候选区域
全卷积网络
弱监督学习
pascal
voc
2012数据集
-
Keywords
image semantic segmentation
deep convolutional neural network
candidate region
full convolution network
weakly-supervised learning
pascal voc 2012 dataset
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名面向军事目标识别的DRFCN深度网络设计及实现
被引量：5
- 4
-
-
作者
刘俊
孟伟秀
余杰
李亚辉
孙乔
-
机构
杭州电子科技大学通信信息传输与融合技术国防重点学科实验室
中国船舶重工集团公司第七一五研究院
-
出处
《光电工程》
CAS
CSCD
北大核心
2019年第4期18-27,共10页
-
基金
海军装备预研创新项目
国家自然科学基金重点项目(61333009
61427808)~~
-
文摘
自动目标识别(ATR)技术一直是军事领域中急需解决的重点和难点。本文设计并实现了一种新的面向军事目标识别应用的DRFCN深度网络。首先,在DRPN部分通过卷积模块稠密连接的方式,复用深度网络模型中每一层的特征,实现高质量的目标采样区域的提取;其次,在DFCN部分通过融合高低层次特征图语义特征信息,实现采样区域目标类别和位置信息的预测;最后,给出了DRFCN深度网络模型结构以及参数训练方法。与此同时,进一步对DRFCN算法开展了实验分析与讨论:1)基于PASCAL VOC数据集进行对比实验,结果表明,由于采用卷积模块稠密连接的方法,在目标识别平均准确率、实时性和深度网络模型大小方面,DRFCN算法均明显优于已有基于深度学习的目标识别算法;同时,验证了DRFCN算法可以有效解决梯度弥散和梯度膨胀问题。2)利用自建军事目标数据集进行实验,结果表明,DRFCN算法在准确率和实时性上满足军事目标识别任务。
-
关键词
深度学习
目标识别
pascal
voc数据集
军事目标
-
Keywords
deep learning
target recognition
pascal voc dataset
military target
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TB872
[一般工业技术—摄影技术]
-
