為提高卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)模型精度并增強(qiáng)檢測(cè)器對(duì)小目標(biāo)的檢測(cè)能力,提出一種脫離預(yù)訓(xùn)練的多尺度目標(biāo)檢測(cè)網(wǎng)絡(luò)模型。采用脫離預(yù)訓(xùn)練檢測(cè)網(wǎng)絡(luò)使其達(dá)到甚至超過預(yù)訓(xùn)練模型的精度,針對(duì)小目標(biāo)特點(diǎn)設(shè)計(jì)新的Deformable-ScratchNet網(wǎng)絡(luò)模型,調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)并融合淺層信息以提高對(duì)小目標(biāo)的檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明,與Faster-RCNN等經(jīng)典網(wǎng)絡(luò)模型相比,該模型在PASCAL VOC數(shù)據(jù)集和自制遙感軍事目標(biāo)數(shù)據(jù)集上的檢測(cè)精度更高。 

【文章來源】：計(jì)算機(jī)工程. 2020,46(06)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

主干網(wǎng)絡(luò)示意圖

SSD將Conv4、7、8、9、10和Pool 11層的輸出特征用于檢測(cè)器的輸入,本文為了增強(qiáng)特征圖以在檢測(cè)器中包含更多的語義信息,采用全卷積網(wǎng)絡(luò)(Fully Convolutional Network,FCN)[14]中的跳躍連接將ResNetb的Conv3、4、5與經(jīng)過反卷積上采樣后的特征進(jìn)行融合,構(gòu)造出新的端到端檢測(cè)模型ScratchNet,其結(jié)構(gòu)如圖2所示。2.3 可變塊結(jié)構(gòu)

可變塊結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]注意力機(jī)制改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)[J]. 李紅艷,李春庚,安居白,任俊麗.  中國圖象圖形學(xué)報(bào). 2019(08)



本文編號(hào)：3402813