concat特征融合_基于特征融合的目标检测算法研究

龙源期刊网

http://www.qikan.com.cn

基于特征融合的目标检测算法研究

作者：封靖川

胡小龙

李斌

来源：《数字技术与应用》

2018

年第

12

期

摘要：近年来，深度学习在目标检测领域得到了极大的发展，但在检测精度和速度上仍有

提升空间。本文针对

one-stage

目标检测算法对特征图的信息利用不充分的问题，提出了一种

特征融合的检测模型，将

CNN

低层的物体位置、轮廓信息与高层语义信息融合。实验表明该

模型在支持实时检测的条件下提升了检测精度，具有较大的理论和应用价值。

关键词：深度学习

;

目标检测

;

特征融合

中图分类号：

TP391.41

文献标识码：

A

文章编号：

1007-9416

(

2018

)

12-0114-02

目标检测是计算机视觉领域的一个热门，基础的研究方向，具有重要的理论和应用价值。

其主要任务为找出图像中感兴趣的物体，包含物体定位和识别两个子任务，需要同时确定物体

的位置和类别。

1

国内外研究现状

自从

2012

年

Geoffrey Hinton

教授率领团队采用

AlexNet

在

ImageNet

视觉识别挑战赛上取

得第一名的优异成绩之后，深度学习模型开始广泛应用于计算机视觉的各个研究领域，包括目

标检测，人脸识别，图像分割等等。目前基于深度学习的目标检测算法可以大致分为以下两

类：

1.1

基于

region-proposal

的

two-stage

检测算法

该类算法将目标检测分为两个步骤，首先通过区域建议模型得出目标候选框，然后再通过

CNN

从候选框中提取目标特征，进一步定位目标位置并进行目标分类。代表算法为

R-CNN

和

Faster R-CNN

，

R-CNN

采用选择性搜索(

Selective Search

)的方式提取目标候选框，然后通过

卷积神经网络提取特征，最后采用

SVM

对特征进行分类。而

Faster R-CNN

将区域建议过程统

一融合到卷积神经网络中，加速了训练和测试，实现了端到端的训练模型。

1.2

基于

regression

的

one-stage

检测算法

由于

two-stage

检测算法步骤较多，在现有的计算条件下难以支持实时检测。于是有学者

提出基于回归的算法，即给定输入图像，直接回归得出目标定位边框和目标类别。代表算法有

YOLO

和

SSD

。

YOLO

将图像划分为

s×

s

个网格，对这些网格中的图像计算目标边框的置信度

和框中目标所属类别的概率。而

SSD

则将

Faster R-CNN

中的锚点机制和回归思想结合，产生

多层特征图，对多尺度的物体特征进行回归。