针对不同尺度的目标容易造成模型的特征提取和尺度变化的适应性问题,提出一种融合自适应感受野的目标检测算法。通过对特征图采用拆分、卷积和融合的方式构造通道自适应感受野模块,以提取不同尺度的感受野,提高对尺度变化的适应能力;在...针对不同尺度的目标容易造成模型的特征提取和尺度变化的适应性问题,提出一种融合自适应感受野的目标检测算法。通过对特征图采用拆分、卷积和融合的方式构造通道自适应感受野模块,以提取不同尺度的感受野,提高对尺度变化的适应能力;在网络结构中引入通道自适应感受野模块和RepVGG模块,采用FC模块(concatenate with convolutions)过滤冗余特征,强化模型的特征提取能力;采用Alpha-CIOU损失和知识蒸馏优化训练,提高算法的检测能力。在Pascal VOC和MS COCO数据集上的实验结果表明,该算法在尺度变化、精度和速度等方面取得了优秀的性能。展开更多
文摘针对不同尺度的目标容易造成模型的特征提取和尺度变化的适应性问题,提出一种融合自适应感受野的目标检测算法。通过对特征图采用拆分、卷积和融合的方式构造通道自适应感受野模块,以提取不同尺度的感受野,提高对尺度变化的适应能力;在网络结构中引入通道自适应感受野模块和RepVGG模块,采用FC模块(concatenate with convolutions)过滤冗余特征,强化模型的特征提取能力;采用Alpha-CIOU损失和知识蒸馏优化训练,提高算法的检测能力。在Pascal VOC和MS COCO数据集上的实验结果表明,该算法在尺度变化、精度和速度等方面取得了优秀的性能。
