用于目标检测的邻域融合与分层并行特征金字塔网络

• 作者: 胡书铭 莫凌飞
• 来源期刊: 东南大学学报（英文版）
• 学科: 工学
• 关键词: 计算机视觉 深度卷积神经网络 目标检测 分层并行 特征金字塔网络 多尺度特征融合
• 年，卷（期）: 2020,（3）
• 页码范围: 252-263
• 页数: 12页
• 分类号: TP391.4
• 语种: 英文
• DOI: 10.3969/j.issn.1003-7985.2020.03.002

摘要

为了提升对小目标的检测精度,提出了一种基于邻域融合的分层并行特征金字塔网络(NFPN).与特征金字塔网络(FPN)和反卷积单次多框检测器(DSSD)中采用的逐层递进融合方式(特征金字塔网络的底层特征依赖于顶层特征)不同,NFPN仅对具有相似尺度的浅层特征进行融合,所构建的特征金字塔网络上下层之间没有依赖关系.NFPN具有高度的可移植性,可嵌入到许多检测模型中来进一步提升性能.在PAS-CAL VOC 2007、2012和COCO数据集上进行的大量实验表明,基于NFPN的SSD模型在检测精度和推理速度方面均优于DSSD模型,尤其是对于小目标而言,NFPN-SSD300精度比SSD300高4％ ～ 5％,比DSSD321高2％～3％.在VOC 2007测试集上,输入分辨率为300×300的基于NFPN的SSD模型可以实现79.4％的检测精度和34.6 frame/s的推理速度,在使用多尺度测试方法后,其精度可提升至82.9％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	莫凌飞		12	63	4.0	7.0
2	胡书铭		1	0	0.0	0.0