计算机应用

作者：潘烨新, 杨哲

单位：1.苏州大学 计算机科学与技术学院，江苏 苏州 215006；2.江苏省计算机信息处理技术重点实验室（苏州大学），江苏 苏州 215006

关键词：深度学习,小目标,目标检测,计算机视觉,特征融合

基金：国家自然科学基金资助项目(62002253);教育部产学合作协同育人项目(220606363154256);国家级大学生创新创业训练计划项目(202210285042Z)

由于自身特征较小以及网络的深度造成特征丢失等客观原因，小目标的检测一直是目标检测领域的难点问题。针对以上问题，提出基于网络结构进行多次特征增强以优化小目标检测的模型。首先，替换主干网络中的空间金字塔池化（SPP）以优化梯度计算；其次，对网络颈部实行区分特征级别的多级双向融合，并对输出头添加自适应特征融合（AFF）模块，以实现多级的特征增强。实验结果表明，在COCO2017-val数据集上，当交并比（IoU）为0.5时，所提模型的平均精度均值达到61.4%，与目前较流行的YOLOv7模型相比提高了4.7个百分点，同时在单GPU上模型的检测帧率为78.2 frame/s，满足工业检测速度要求。

来源：2024年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第9期