多尺度特征融合的目标检测算法研究

王君; 陈敏; 董明利; 燕必希

doi:10.13741/j.cnki.11-1879/o4.2022.06.018

您当前的位置：

首页 >

文章列表页 >

多尺度特征融合的目标检测算法研究

光学图像处理与识别 | 更新时间：2025-09-01

- 多尺度特征融合的目标检测算法研究
- Research on target detection algorithm based on multi-scale feature fusion
- 光学技术 2022年48卷第6期页码：749-754
- 作者机构：
  
  1:北京信息科技大学仪器科学与光电工程学院
- 作者简介：
- 基金信息：
  
  教育部“长江学者与创新团队发展计划”(IRT＿16R07);北京信息科技大学2021年人才培养质量提高项目(5102110802)
- DOI：10.13741/j.cnki.11-1879/o4.2022.06.018
  中图分类号： TP183;TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
王君, 陈敏, 董明利, 等. 多尺度特征融合的目标检测算法研究[J]. 光学技术, 2022,48(6):749-754.

Research on target detection algorithm based on multi-scale feature fusion[J]. 2022, 48(6): 749-754.
王君, 陈敏, 董明利, 等. 多尺度特征融合的目标检测算法研究[J]. 光学技术, 2022,48(6):749-754. DOI： 10.13741/j.cnki.11-1879/o4.2022.06.018.

Research on target detection algorithm based on multi-scale feature fusion[J]. 2022, 48(6): 749-754. DOI： 10.13741/j.cnki.11-1879/o4.2022.06.018.

摘要

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题，提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合；在训练阶段，采用在线难例样本挖掘算法维护难例样本分类池，加速神经网络模型迭代收敛，解决训练样本不均衡、训练效率低下的问题；计算并统计待检测目标的尺度大小，合理控制用于生成候选区域的锚框尺寸，提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证，实验结果表明，相比Faster R-CNN算法，本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。

Abstract

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于YOLOv4-tiny的遥感图像飞机目标检测技术研究

基于立体视觉与光流融合的运动目标检测

电力线路相位标志牌的检测和识别

红外序列图像弱小动目标检测的研究

深空背景弱小运动目标检测算法研究

多尺度特征融合的目标检测算法研究

Research on target detection algorithm based on multi-scale feature fusion

DOI：10.13741/j.cnki.11-1879/o4.2022.06.018

摘要

Abstract

关键词

Keywords

references