脱离预训练的多尺度目标检测网络模型

发布时间：2021-09-22 00:44

　　为提高卷积神经网络目标检测模型精度并增强检测器对小目标的检测能力,提出一种脱离预训练的多尺度目标检测网络模型。采用脱离预训练检测网络使其达到甚至超过预训练模型的精度,针对小目标特点设计新的Deformable-ScratchNet网络模型,调整网络结构并融合浅层信息以提高对小目标的检测性能。实验结果表明,与Faster-RCNN等经典网络模型相比,该模型在PASCAL VOC数据集和自制遥感军事目标数据集上的检测精度更高。 

【文章来源】：计算机工程. 2020,46(06)北大核心CSCD

【文章页数】：8 页

【部分图文】：

主干网络示意图

SSD将Conv4、7、8、9、10和Pool 11层的输出特征用于检测器的输入,本文为了增强特征图以在检测器中包含更多的语义信息,采用全卷积网络(Fully Convolutional Network,FCN)[14]中的跳跃连接将ResNetb的Conv3、4、5与经过反卷积上采样后的特征进行融合,构造出新的端到端检测模型ScratchNet,其结构如图2所示。2.3 可变块结构

可变块结构

【参考文献】：
期刊论文
[1]注意力机制改进卷积神经网络的遥感图像目标检测[J]. 李红艳,李春庚,安居白,任俊丽.  中国图象图形学报. 2019(08)



本文编号：3402813