基于改进Faster RCNN的目标检测方法.pdf

: .
高技术通讯2021年第31卷第5期：489任务。但是单一的���网络或是卷����缍疾蛔阋酝�贝�矸掷�本文提出了一种分裂的快速区域卷积网络������惴ǎ�ǚ掷嗳挝窈捅呓缈蚧毓槿挝裼�效地分开，提升了目标检测中边界框定位的精度。利用全连接结构将局部特征进行有效的组合，充分利用特征金字塔提取的特征，获得更好的分类效果。��因其丰富的上下文信息提供了更加精确的边界框定位。算法在吸尘袋图像集上进行了验证，结果证明了算法的有效性。相关工作进行了叙述；第�诙蕴岢龅腄���算法进行了详细介绍；第�谕ü�笛樯杓疲�訢���算法做了进一步分析，验证了所提出的深度学****模型在该场景下的识别效果；第�诙匀�墓���的基础上，用时，降低了网络计算的冗余，提高了检测的速度。��模型的结构如图��尽ＤＰ椭�体分为特征提取网络、��⒏行巳で�虺鼗��������约***掷嗥骷覆糠�组成。特征提取网络一般选择���鴍，其通过一系列不同大小的卷积层提取输入图像中不同层级的语义信息，形成特征映射图。��邮杖我獬叽绲氖淙胪枷癫⑹涑鲆蛔榘�含得分的矩形框作为��������Ｊ褂霉蚕砭�积顶层的特征信息，通过����层在大小为�羑����琑��婊辉�鹊腟���������以及��检测速度高于���目标检测器。文献��提出的只看一次��量，虽然检测精度不及���是�������岷螦����撇⒆酆侠�枚喑叨染砘��小目标检测精度。������约癥���取����头���积头������和定位。本文后续结构如下。第�诙訤�����等作进行了总结和展望。��������概述��模型是在��借鉴注意力机制提出的��娲鶩����中的选择性搜索，提供更加精确的��������耐���网络结构��������������������珻�������，��，�．．．．．——�������!�����������琑�万方数据
⋯��产∑��齱�雈。������戈�簕��戈�￡甲。���，⋯�万�啤����＃琍。���模型——������绣嘌。�舫隹赡芎�心勘甓韵蟮腁�������与目标对象的交并比����������珿�的值�绻�媸抵凳钦��驹蚋�值为��粑8貉�驹蛭��籺。是索引值为�腁��其中戈表示输入；�欠掷嗨鹗Ш��捅呓缈蚧毓�损失函数之问的平衡权重。利用该损失函数训练好本文基于上述的先验知识，将全连接结构应用的特征图上的每个像素位置采集南个初始区域，总共获得�羑×�鯝���。通过分类器对这些���云浣�斜呓缈蚧毓椋�拚�蟮腁���作为目标候选区域。满足下面�鎏跫�腁���在����层被标注为正样本，否则为负样本。���琁��畲蟆������与至少一个目标的��坏陀�在����瓿杀曜⒑螅��菔��作为��的损失函数对���醒盗贰�式中，�茿���的索引值，�１硎舅饕�滴猧的���是目标对象的概率；��代表真实值标签������的边界修正值，��为真实标签的边界框修正值；�彩欠掷嗨鹗Ш���捎媒徊骒厮鹗Ш���现，表示预测值与目标值的误差；�Ｊ潜呓缈蚧毓�的损失函数，采用下面的����损失函数实现，的��梢栽げ饽勘闍���，并修正其边界得到最终的����作为��氖涑霰淮�涓鳵�����约***掷嗥饕员阕鼋�徊降募觳狻���其他����褂玫氖强占浣鹱炙�鼗����������杂Φ奶卣魍甲魑J淙耄�涑龉潭�长度的特征向量。特征向量经过全连接层后，分别输入到����掷嗥骱捅呓缈蚧毓槠髦薪�心勘�类别的预测以及边界框的修正。最后，使用非极大值抑制��—����������琋����馗�的边界框以得到更加准确的检测结果。该部分的损失函数如下：���埃瑃“，秽����，���≥�￡，。。�“，口�式中，￡出为分类损失函数，￡。。为边界框回归损失函数，�欠掷嗟脑げ庵担�笆抢啾鸬乃饕�瑃“表示第�啾呓缈蛟げ獾男拚�担�谑钦媸当昵┑男拚�值。��网络对��涑龅哪勘晏卣飨蛄�使用全连接层进行特征组合，随后分别输入给分类器以及边界框回归器。但是全连接层对于这两种任务并非都合适。边界框回归任务需要更多的目标级别的上下文，卷积结构相较于全连接结构更能提取目标级别上下文，故卷积结构在边界框回归任务上比全连接结构更合适。本文就此提出一种新的检测模型来提升边界框回归的精度。����于目标对象的分类，卷积结构应用于目标对象的定位，提出了可以有效提升目标检测的精度，实现有效的目标定位的改进����。图�允玖吮疚牡哪勘昙觳饽Ｐ汀Ｊ紫壤��骨干网络提取��占湎率淙胪枷竦亩喑叨忍卣鳎�王宪保等：基于改进�����的目标检测方法�