计算机应用

作者：郭子豪, 董乐乐, 曲志坚

单位：山东理工大学 计算机科学与技术学院，山东 淄博 255000

关键词：目标检测,注意力机制,可变形卷积,特征金字塔网络,密集局部回归,节肢动物

基金：山东省高等学校青年创新团队发展计划项目（2019KJN048）。

自然生态环境下的节肢动物目标检测存在目标背景复杂、尺度差异大以及目标密集等特点，导致目标检测精度和准确率不高。为此，提出一种基于改进Faster RCNN模型的节肢动物目标检测方法AROD RCNN。首先，设计一种有监督的并行空间与通道注意力（SPSCAT）机制，以提高复杂背景环境下节肢动物目标检测的准确率；然后，引入第二代可变形卷积重塑ResNet50中C1~C5块卷积层，并使用特征金字塔网络（FPN）对ResNet50中C2~C6块进行特征融合以解决目标尺度差异较大影响检测精度的问题；最后，通过密集局部回归（DLR）方法对回归阶段进行改进，从而提高模型回归的准确性。实验结果表明，该方法在ArTaxOr数据集上的各类别平均精度（mAP）达到了0.717，较原始Faster RCNN模型提高了0.453，而召回率达到了0.787。可见该方法能够有效解决目标遮挡和复杂背景等问题，在节肢动物密集目标与小目标检测中表现良好。

来源：2023年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第1期