计算机工程与科学

作者：黄星威, 陈曦, 张塑凡

单位：（长沙理工大学计算机与通信工程学院，湖南 长沙 410114）

关键词：目标检测,深度学习,特征金字塔,小目标,

基金：湖南省教育厅科技研究项目(19C0028)；长沙理工大学青年教师成长计划项目(2019QJCZ011)

现有的目标检测模型常采用特征金子塔的多尺度特征融合来提升小目标检测性能。然而，在特征金字塔的浅层特征层，大目标的存在会削弱模型对小目标的检测，侧向连接会丢失高层特征层的语义信息。针对以上问题，提出了I-FPN特征金字塔。在浅层特征层，抹去大目标信息让模型更关注小目标；在高层特征层，使用残差特征增强模块减少信息损失。此外，模型还使用数据增广技术提升鲁棒性。I-FPN特征金字塔使用Resnet为主干网络，在VEDAI小目标数据集和PASCAL VOC通用目标数据集上进行了实验。实验结果表明，在不影响检测速度的条件下，在VEDAI测试集上较原特征金字塔的mAP指标提升了2.4%，在VOC测试集上mAP指标提升了0.5%。

来源：2023年第4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4期