基于注意力模型的目标检测研究

发布时间：2024-05-07 22:10

　　目标检测作为计算机视觉的基本技术,旨在对图像中预定义目标类的所有实例进行定位和分类。当前,虽然一些主流的目标检测算法在检测的精度和速度上取得了较好成果,但依然存在目标特征信息利用不充分、检测结果中目标的分类置信度与定位精度间缺乏一致性的问题。而注意力模型能够辅助网络关注目标区域并提升网络对目标信息的利用度,因此为解决上述问题,论文研究了基于注意力模型的目标检测,提出了基于注意力图的非最大化抑制(Non-Maximum Suppression,NMS)优化算法和基于空间注意力图的目标检测优化算法。论文的主要工作,可以概括为:(1)非最大化抑制算法是实现目标定位的关键步骤,但算法会抑制一些定位精度高但置信度较低的边界框。为解决这一问题,论文提出了一种基于注意力图的非最大化抑制优化算法。通过反向传播目标的高层语义信息重构目标特征,并对其加权生成目标注意力图,然后将检测边界框的感兴趣概率(指归一化注意力图上所包含区域的概率累加值)和分类置信度进行加权得到感兴趣分数,将其作为非最大化抑制算法的排序关键字可以获得目标的最佳边界框。基于PASCAL VOC2007、PASCAL VOC2012和MS...

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

图1-3基于深度学习自编码器AE最早由Rumelhart等(R

遥感影像敏感目标自动检测与隐藏方法研究-13-基于深度学习的图像修复方法基于自编码的方法基于生成模型的方法基于网络结构的方法基于网络优化的方法基于结构信息约束的方法基于注意力机制的方法图1-3基于深度学习的图像修复方法分类自编码器AE最早由Rumelhart等(RUMELHART....

图1-3基于深度学习的图像修复方法分类自编码器AE最早由Rumelhart等(RUMELHART等.1988)于1986年提出

遥感影像敏感目标自动检测与隐藏方法研究-13-基于深度学习的图像修复方法基于自编码的方法基于生成模型的方法基于网络结构的方法基于网络优化的方法基于结构信息约束的方法基于注意力机制的方法图1-3基于深度学习的图像修复方法分类自编码器AE最早由Rumelhart等(RUMELHART....

图1-3基于深度学习自编码器AE最早由Rumelhart等(R

遥感影像敏感目标自动检测与隐藏方法研究-13-基于深度学习的图像修复方法基于自编码的方法基于生成模型的方法基于网络结构的方法基于网络优化的方法基于结构信息约束的方法基于注意力机制的方法图1-3基于深度学习的图像修复方法分类自编码器AE最早由Rumelhart等(RUMELHART....

图5-4基于注意力机制的墙面缺陷检测方法

第五章墙面缺陷检测方法研究图5-4基于注意力机制的墙面缺陷检测方法表5-1目标检测算法目标检测算法是否需要bboxFasterR-CNN是Yolo是SSD是主动视觉模型否本文中定义检测点位置位于缺陷内则为检测到缺陷，分类正确视为检测正确。在墙面缺陷检测任务中，基于注意力机制的墙面....

本文编号：3967060