基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
由于小目标的低分辨率和噪声等影响,大多数目标检测算法不能有效利用特征图中小目标的边缘信息和语义信息,导致其特征与背景难以区分,检测效果差.为解决SSD(single shot multibox detector)模型中小目标特征信息不足的缺陷,提出反卷积和特征融合的方法.先采用反卷积作用于浅层特征层,增大特征图分辨率,然后将SSD模型中卷积层convll 2的特征图上采样,拼接得到新的特征层,最后将新的特征层与SSD模型中固有的4个尺度的特征层进行融合.通过将改进后的方法与VOC2007数据集和KITTI车辆检测数据集上的SSD和DSSD方法进行比较,结果表明:该方法降低了小目标的漏检率,并提升整体目标的平均检测准确率.
推荐文章
基于卷积特征融合的通用目标检测方法
卷积神经网络
特征融合
特征复用
特征相关性
目标检测
基于多尺度融合SSD的小目标检测算法
单点多盒探测器
多尺度融合
目标检测
小目标
VGG16网络结构
基于改进SSD的视频烟火检测算法
烟火检测
轻量化
SSD
GhostNet
Concat
特征融合
融合红外特征的可见光图像目标检测算法研究
红外特征
可见光目标检测
注意力机制
自适应融合
金字塔采样
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于反卷积和特征融合的SSD小目标检测算法
来源期刊 智能系统学报 学科 工学
关键词 小目标检测 反卷积 特征映射 多尺度 特征融合 SSD模型 PASCAL VOC数据集 KITTI数据集
年,卷(期) 2020,(2) 所属期刊栏目 机器学习
研究方向 页码范围 310-316
页数 7页 分类号 TP18
字数 4204字 语种 中文
DOI 10.11992/tis.201905035
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 翟永杰 华北电力大学控制与计算机工程学院 92 1421 19.0 35.0
2 赵文清 华北电力大学控制与计算机工程学院 52 1101 20.0 32.0
3 周震东 华北电力大学控制与计算机工程学院 2 4 1.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (64)
共引文献  (113)
参考文献  (8)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1980(1)
  • 参考文献(0)
  • 二级参考文献(1)
1986(2)
  • 参考文献(0)
  • 二级参考文献(2)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(3)
  • 参考文献(0)
  • 二级参考文献(3)
2006(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(3)
  • 参考文献(0)
  • 二级参考文献(3)
2009(3)
  • 参考文献(0)
  • 二级参考文献(3)
2010(7)
  • 参考文献(0)
  • 二级参考文献(7)
2011(2)
  • 参考文献(0)
  • 二级参考文献(2)
2012(3)
  • 参考文献(0)
  • 二级参考文献(3)
2013(4)
  • 参考文献(0)
  • 二级参考文献(4)
2014(3)
  • 参考文献(0)
  • 二级参考文献(3)
2015(9)
  • 参考文献(1)
  • 二级参考文献(8)
2016(6)
  • 参考文献(0)
  • 二级参考文献(6)
2017(11)
  • 参考文献(2)
  • 二级参考文献(9)
2018(9)
  • 参考文献(4)
  • 二级参考文献(5)
2019(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
小目标检测
反卷积
特征映射
多尺度
特征融合
SSD模型
PASCAL VOC数据集
KITTI数据集
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
智能系统学报
双月刊
1673-4785
23-1538/TP
大16开
哈尔滨市南岗区南通大街145-1号楼
2006
chi
出版文献量(篇)
2770
总下载数(次)
11
论文1v1指导