RefineDet网络与注意力机制结合的目标检测算法

来源 :传感器与微系统 | 被引量 : 0次 | 上传用户:Jingle2008
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对单框架算法在目标检测中对小目标检测精度较差的缺点,以Refine Det网络为基础,提出了一种二次定位的检测模型。在融合各层特征的同时加入了注意力机制,从而增强对目标的检测能力。框架通过由粗到细的定位方法,在速度上保持了单框架的优势并且在检测精度上得到了明显提高,对遮挡和小型目标较多的图像依然能获得高品质的检测框。
其他文献
针对激光数据扫描匹配中正态分布变换(NDT)算法在初始误差较大的情况下容易陷入局部极值的问题,提出了一种融合NDT的遗传算法(NGSAM)。引入NDT构建栅格,同时建立查找表加快求
利用全量子理论,研究了真空场与耦合全同V型三能级原子相互作用过程中场熵的演化特性。讨论了系统初始状态、原子间偶极相互作用和Kerr介质的三阶非线性系数对场熵演化特性的
首先对网络模型进行正则化,提高网络泛化能力及模型稀疏度;接着采用组合剪枝算法,先对卷积层卷积核进行删减,再对全连接层权重进行删减。剪枝过程分多次进行,每次剪枝后通过再训练以恢复模型分类识别性能。实验结果表明:提出的组合剪枝算法能够在保证VGG—16网络对车辆数据集分类识别率保持在92.84%的情况下,对网络模型压缩了79%,加速3.38倍。