计算机工程与科学

作者：邓姗姗, 黄慧, 马燕

单位：上海师范大学信息与机电工程学院，上海 201418

关键词：Faster R-CNN,小目标检测,特征融合,图像增强,深度学习,

基金：国家自然科学基金(61501297)

针对图像纹理细节等高频特征在基于卷积神经网络模型的特征提取过程中丢失，从而导致小目标检测效果较差的问题，提出一种多层频域特征融合的目标检测算法。算法以Faster R-CNN为基础框架，使用高频增强后的图像和对比度增强后的图像作为算法输入样本，提高了待检测图像质量；针对总像素面积较小的目标，更改RPN网络中的锚点尺度，并利用多尺度卷积特征融合的方法，融合来自不同特征层的特征，解决了小目标在深层特征图中特征信息丢失的问题。实验结果表明，所提算法在DAGM 2007数据集上具有良好的性能，平均精度均值mAP达到了97.9%，在PASCAL VOC 2007测试集上对小目标的mAP也明显优于原始Faster R-CNN的。

来源：2023年第5期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2023年第5期