基于自适应递归特征金字塔的小物体智能检测方法
Jie Zhang1, Hongyan Zhang1, Bowen Liu1
1College of Electrical and Information Engineering, Zhengzhou University of Light Industry, Zhengzhou 450002, China.
Heliyon
|August 4, 2023
概括
本研究引入了一个自适应递归路径聚合网络 (AR-PANet) 来增强YOLOv4.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- YOLOv4表现出强大的物体检测能力,但由于其路径聚合网络 (PANet) 的规模不一致,它在小物体检测方面遇到了困难.
- 对小物体的不准确检测限制了远程传感和智能运输等领域的应用.
研究的目的:
- 在YOLOv4框架内提高小物体的检测精度.
- 解决PANet在处理小物体识别的多尺度特征方面的局限性.
主要方法:
- 通过将PANet输出返回骨干网络来实现自适应递归路径聚合网络 (AR-PANet).
- 开发了一种适应性方法,以减轻在多尺度特征空间中的冲突信息,增强尺度不变性.
- 利用卷积块注意模块 (CBAM) 通过将多尺度的特征映射到独立的通道和空间维度来进行特征改进.
主要成果:
- 拟议的AR-PANet显著提高了跨多个数据集的小物体检测的准确性.
- 实验结果表明,在应对小物体检测的挑战时,性能取得了令人印象深刻的增长.
结论:
- AR-PANet有效地增强了YOLOv4检测小物体的能力.
- 这种方法显示出在遥感和智能运输系统中应用的巨大潜力.
