改进的Cascade R-CNN算法在目标检测上的应用OACSTPCD
Application of Improved Cascade R-CNN Algorithm in Target Detection
针对Cascade R-CNN目标检测算法中存在检测精度较低以及目标遮挡问题,本文提出一种改进的Cas-cade R-CNN网络目标检测算法.该算法在主干网络ResNet101中引入可切换空洞卷积模块(Switchable Atrous Convolu-tion,SAC),该模块主要由两个全局上下文模块以及SAC组件构成,采用SAC组件以不同的空洞卷积率对特征进行卷积,并使用Switch函数收集特征来提高特征提取能力.同时,在ResNet101残差网络中引入坐标注意力机制(Coordi-nate Attention,CA),该机制将位置信息嵌入通道注意力中,用于更好地获取方向感知和位置感知信息,进而提高目标检测精度.此外,针对目标遮挡问题,引入Repulsion Loss损失函数.该损失函数主要由吸引项和排斥项组成,吸引项使得预测框和匹配上的目标框尽可能接近,排斥项使得预测框远离错误目标,进而减少非极大值抑制(Non-Maximum Suppression,NMS)的误检,提高目标检测中遮挡问题的检测精度.实验结果表明,在公开的科大讯飞AI挑战赛数据集上,与原算法测试性能相比,改进的Cascade R-CNN网络对该数据集检出率增长了2.39%,改进算法的识别精度有一定的提高.
张娜;包梓群;罗源;吴彪;涂小妹
浙江理工大学计算机科学与技术学院(人工智能学院),浙江杭州 310018浙江理工大学计算机科学与技术学院(人工智能学院),浙江杭州 310018浙江理工大学计算机科学与技术学院(人工智能学院),浙江杭州 310018浙江理工大学理学院,浙江杭州 310018浙江广厦建设职业技术大学,浙江东阳 322100
计算机与自动化
Cascade R-CNN可切换空洞卷积Repulsion Loss目标检测目标遮挡
《电子学报》 2023 (4)
896-906,11
浙江省重点研发计划项目(No.2020C03094)国家级大学生创新创业训练计划项目(No.202010338024)浙江省教育厅一般科研项目(No.Y202147659)
评论