计算机科学与探索

作者：李志欣, 陈圣嘉, 周韬, 马慧芳

单位：1.广西师范大学 广西多源信息挖掘与安全重点实验室,广西 桂林 541004；2.西北师范大学 计算机科学与工程学院,兰州 730070

关键词：目标检测,卷积神经网络（CNN）,特征融合,级联网络,对抗网络

基金：国家自然科学基金(61966004);国家自然科学基金(61663004);国家自然科学基金(61762078);国家自然科学基金(61866004);广西自然科学基金(2019GXNSFDA245018);广西自然科学基金(2018GXNSFDA281009);广西自然科学基金(2017GXNSFAA198365);广西研究生教育创新计划项目(YCSW2020111)

识别多尺度目标和遮挡目标是目标检测中的重点和难点。为了检测不同大小的目标,目标检测器通常利用卷积神经网络（CNN）的多尺度特征图层次结构,然而这种自顶向下的结构由于底层特征图的卷积层较小,缺乏获取小目标特征所需的细节信息,这些目标检测器的性能受到了限制。为此,结合Faster R-CNN框架提出Collaborative R-CNN,设计了一种级联网络结构,可以融合多尺度特征图,以生成深度融合的特征信息来增强小目标所需的细节特征,从而提高检测小目标的能力。此外,由于使用RoIPooling过程中的量化会对小目标检测造成极大的限制,为进一步提高方法的鲁棒性,设计了多尺度RoIAlign来消除这种量化,并通过多尺度的池化来提高网络检测不同尺度目标的能力。最后,将对抗网络与所提出的级联网络相结合,生成包含遮挡目标的训练样本,可显著提高模型的分类能力和识别遮挡目标的鲁棒性。在PASCAL VOC 2012和PASCAL VOC 2007数据集上的实验结果表明,提出的方法优于许多先进的方法。

来源：2022年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第1期