一种融合多尺度特征的多物体检测方法

被引：1

作者：

牛斌

张怡迪

马利

魏云

机构：

[1] 辽宁大学信息学院

来源：

辽宁大学学报(自然科学版) | 2019年 / 46卷 / 02期

关键词：

多物体检测; 卷积神经网络; 多尺度特征; 非极大值抑制;

D O I：

10.16197/j.cnki.lnunse.2019.02.004

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

在图像识别与计算机视觉领域,物体检测是研究热点,提出了一种融合多尺度特征的多物体检测方法,基于卷积神经网络在多尺度特征下提取物体的候选区域,然后将不同尺度下的特征进行融合,使多物体检测中出现的小物体被漏检的概率降低.最后采用基于中心点的非极大值抑制方法,计算检测窗口的中心点的欧式距离和iou来抑制冗余的窗口,从而提升多物体检测的精度.将提出的方法在PASCAL VOC数据集上进行验证,实验证明所提的方法能有效提高多物体检测的精确度.

引用

页码：118 / 124

页数：7

共 12 条

[1]

Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. Girshick R,Donahue J,Darrell T,et al. Computer Vision and Pattern Recognition . 2014

[2]

Pedestrian Detection: An Evaluation of the State of the Art. Dollar, P.,Wojek, C.,Schiele, B.,Perona, P. Pattern Analysis and Machine Intelligence, IEEE Transactions on . 2012

[3]

Overfeat:Integrated recognition,localization and detection using convolutional networks. Sermanet P,Eigen D,Zhang X,et al. . 2013

[4]

Feature Pyramid Networks for Object Detection. Tsung-Yi Lin,Piotr Dollár,et al. . 2016

[5]

Object Detection with Discriminatively Trained Part-Based Models. Pedro F. Felzenszwalb,Ross B. Girshick,David McAllester,Deva Ramanan. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2010

[6] 基于双阈值的改进型Adaboost人脸检测算法 [J].

何强 ;

马文 .

微型机与应用, 2016, 35 (19) :41-43

[7]

New features and insights for pedestrian detection. S. Walk,N. Majer,K. Schindler,B. Schiele. Computer Vision and Pattern Recognition . 2010

[8]

Fast R-CNN. Girshick R,Girshick R. Computer Science . 2015

[9]

基于显著性检测和分类器训练的航拍图像车辆检测[D]. 王海地.北京交通大学 2015

[10]

Histograms of sparse codes for object detection. Ren X F,Ramanan D. Computer Vision and Pattern Recognition (CVPR) . 2013

← 1 2 →