基于级联卷积神经网络的高效目标检测方法

被引：20

作者：

宋云博

陈冬艳

郝赟

付先平

机构：

[1] 大连海事大学信息科学技术学院

来源：

计算机工程与应用 | 2021年 / 05期

关键词：

卷积神经网络; 深度学习; 级联网络; 高精度目标检测;

D O I：

暂无

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

目标检测作为计算机视觉的重要研究方向,在智慧城市、无人驾驶等领域的作用越来越重要。传统目标检测算法中,根据交并比(Intersection over Union,IOU)的大小判断正负样本,但较低的IOU会引入噪声,降低检测器的精度;较高的IOU会保留少数高质量样本,造成过拟合;并且推荐区域和检测器的IOU阈值相差过大会引起质量不匹配问题。针对上述问题,提出了一种基于级联网络的平行级联检测网络,它由一系列检测器串并联而成,每个检测器设置递增的IOU阈值,从而在每个阶段都会得到一个更高质量的样本分布来训练下一级检测器,并逐步重采样减少过拟合。实验结果表明提出的平行级联检测网络的检测精度优于传统目标检测算法,在目标检测数据集Microsoft COCO上平均准确度(AP)提升了1.5个百分点左右。

引用

页码：139 / 145

页数：7

共 10 条

[1]

基于深度学习的目标检测框架进展研究 [J].

寇大磊 ;

权冀川 ;

张仲伟 .

计算机工程与应用, 2019, 55 (11) :25-34

[2]

多尺度卷积特征融合的SSD目标检测算法 [J].

陈幻杰 ;

王琦琦 ;

杨国威 ;

韩佳林 ;

尹成娟 ;

陈隽 ;

王以忠 .

计算机科学与探索, 2019, (06) :1049-1061

[3]

卷积神经网络在目标检测中的应用综述 [J].

于进勇 ;

丁鹏程 ;

王超 .

计算机科学, 2018, 45(S2) (S2) :17-26

[4]

深度卷积神经网络在目标检测中的研究进展 [J].

姚群力 ;

胡显 ;

雷宏 .

计算机工程与应用, 2018, 54 (17) :1-9

[5]

深度卷积神经网络的发展及其在计算机视觉领域的应用 [J].

张顺 ;

龚怡宏 ;

王进军 .

计算机学报, 2019, 42 (03) :453-482

[6]

S-CNN: Subcategory-aware convolutional networks for object detection.[J] Chen Tao;Lu Shijian;Fan Jiayuan IEEE transactions on pattern analysis and machine intelligence 2017,

[7]

A review of visual salient object detection XU H;XIA L; 2018 3rd International Conference on Automation Mechanical Control and Computational Engineering (AMCCE 2018) 2018,

[8]

Instance-aware semantic segmentation via multi-task network cascades Dai J;He K;Sun J; Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2016,

[9]

Scalable object detection using deep neural networks Erhan D;Szegedy C;Toshev A.et al; Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2014,

[10]

Fast r-cnn Girshick R; Proceedings of the IEEE International Conference on Computer Vision 2015,

← 1 →