目标检测的多尺度定位提升算法

doi:10.19665/j.issn1001-2400.2021.03.011

西安电子科技大学学报 ›› 2021, Vol. 48 ›› Issue (3): 85-90.doi: 10.19665/j.issn1001-2400.2021.03.011

• 计算机科学与技术&人工智能 • 上一篇下一篇

目标检测的多尺度定位提升算法

王平¹(),江雨泽²(),赵光辉²()

1.天津航天中为数据系统科技有限公司,天津 300301
2.西安电子科技大学人工智能学院,陕西西安 710071

收稿日期:2019-12-02 出版日期:2021-06-20 发布日期:2021-07-05
通讯作者: 江雨泽
作者简介:王平(1981—),男,高级工程师,E-mail:wangping@spacezw.com|赵光辉(1980—),男,教授,博士,E-mail:ghzhao@xidian.edu.cn
基金资助:
科技部国家重点研发计划(2017YFC1404900)

Object detection based on the multiscale location Enhancement network

WANG Ping¹(),JIANG Yuze²(),ZHAO Guanghui²()

1. Tianjin Zhongwei Aerospace Data System Technology Co.,Ltd,Tianjing 300301,China
2. School of Artificial Intelligence,Xidian University,Xi’an 710071,China

Received:2019-12-02 Online:2021-06-20 Published:2021-07-05
Contact: Yuze JIANG

摘要/Abstract

摘要：

对于目标检测任务,深度神经网络模型中的一阶段网络结构存在两个问题。首先,网络结构中的锚框超参数设计的合适与否将影响整个网络的训练结果;其次,较大的降采样因子会影响目标的定位能力。针对这两个问题,提出了多尺度定位提升网络模型。重新设计了一阶段网络模型结构,并且提出了更好的锚框超参数选择方案,它在保证一阶段网络效率的同时,定位精度比之前的一阶段网络模型更好。大量实验表明,多尺度定位提升算法在保证实时性的同时实现了更高的定位精度,在公开数据集(Pascal VOC 2007)上实现了82.5%的平均准确率。

关键词: 神经网络, 多尺度定位, 目标检测, 卷积神经网络

Abstract:

For the target detection task,there are two problems in the one-stage network structure of the deep neural network model.First,whether the design of the anchor box hyperparameter is suitable or not will affect the training results of the whole network;second,a large down sampling factor will affect the positioning ability of the target.To solve these problems,this paper proposes a multi-location enhancement network.The structure of the one-stage network model is redesigned,and a better scheme for selecting the super parameters of the anchor frame is proposed.So the efficiency of the first stage network is ensured and the positioning accuracy is better than the previous one.A large number of experiments show that the multi-location enhancement network can achieve a higher positioning accuracy while ensuring real-time performance.The average accuracy of 82.5 is achieved on the public dataset (Pascal VOC 2007).

Key words: neural networks, multiscalepositioning, objectdetection, convolutional neural network

中图分类号:

TN957.52

王平,江雨泽,赵光辉. 目标检测的多尺度定位提升算法[J]. 西安电子科技大学学报, 2021, 48(3): 85-90.

WANG Ping,JIANG Yuze,ZHAO Guanghui. Object detection based on the multiscale location Enhancement network[J]. Journal of Xidian University, 2021, 48(3): 85-90.

图/表 8

图1

图2

图3

图4

图5

表1

表2

图6

参考文献 11

[1]	FU C Y, LIU W, RANGA A, et al. Dssd:Deconvolutional Single Shot Detector[J/OL]. [2019-12-02]. https://arxiv.org/pdf/1701.06659.pdf.
[2]	YI J, WU P, METAXAS D N. ASSD:Attentive Single Shot Multibox Detector[J/OL]. [2019-12-02]. https://arxiv.org/pdf/1909.12456.pdf.
[3]	REDMON J, FARHADI A. Yolov3:An Incremental Improvement[J/OL]. [2019-12-02]. https://arxiv.org/pdf/1804.02767.pdf.
[4]	ZHANG S, WEN L, BIAN X, et al. Single-shot Refinement Neural Network for Object Detection[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Piscataway:IEEE, 2018: 4203-4212.
[5]	LIU Z, DU J, TIAN F, et al. MR-CNN:A Multi-Scale Region-Based Convolutional Neural Network for Small Traffic Sign Recognition[J]. IEEE Access, 2019,7:57120-57128. doi: 10.1109/Access.6287639
[6]	TERMRITTHIKUN C, JAMTSHO Y, MUNEESAWANG P. An Improved Residual Network Model for Image Recognition Using a Combination of Snapshot Ensembles and the Cutout Technique[J/OL]. [2019-12-02]. https://ieexplore.ieee.org/stamp/stamp.jsp arnumer=8701699.
[7]	XIE S, GIRSHICK R, DOLLAR P, et al. Aggregated Residual Transformations for Deep Neural Networks[C]// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Piscataway:IEEE, 2017: 1492-1500.
[8]	WU Y, TANG S, ZHANG S, et al. An Enhanced Feature Pyramid Object Detection Network for Autonomous Driving[J]. Applied Sciences, 2019,9(20):4363. doi: 10.3390/app9204363
[9]	ZHU Y, ZHAO C, WANG J, et al. Couplenet:Coupling Global Structure with Local Parts for Object Detection[C]// Proceedings of the 2017 IEEE International Conference on Computer Vision(ICCV).Piscataway:IEEE, 2017: 4146-4154.
[10]	许强, 李伟, 占荣辉, 等. 一种改进的卷据神经网络SAR目标识别算法[J]. 西安电子科技大学学报, 2018,45(5):177-183.
	XU Qiang, LI Wei, ZHAN Ronghui, et al. Improved Algorithm for SAR Target RecognitionBased on the Convolutional Neural Network[J]. Journal of Xidian University, 2018,45(5):177-183.
[11]	马苗, 许西丹, 武杰. 一种耦合深度信念网络的图像识别方法[J]. 西安电子科技大学学报, 2018,45(5):102-107.
	MA Miao, XU Xidan, WU Jie. Coupled-deep Belief NetworkBased Method for Image Recognition[J]. Journal of Xidian University, 2018,45(5):102-107.

平均精度 /%	锚框长宽比
平均精度 /%	1∶1	1∶2	1∶3	1∶4
82.1	√
82.3	√		√	√
82.4	√	√		√
82.5	√	√	√
82.5	√	√	√	√

方法	主干网络	输入尺寸/像素	FPS/(帧·s^-1)	VOC 2007,平均精度/%
MR-CNN	VGG-16	1 000×600	0.03	78.2
CoupleNet	ResNet-101	1 000×600	8.20	82.7
ASSD 512	VGG-16	512×512	19.00	80.0
DSSD 513	VGG-16	513×513	5.50	81.5
RefineDet 512	VGG-16	512×512	24.10	81.8
YOLOv 3-608	darknet	608×608	19.60	82.2
多尺度定位提升网络	VGG-16	512×512	22.10	82.5

[1]	李源,崔玉爽,王伟. 一种基于字词双通道网络的文本情感分析方法[J]. 西安电子科技大学学报, 2021, 48(6): 179-186.
[2]	吕文凯,杨鹏飞,丁韵青,张鹤于,郑天洋. JEDERL:一种异构计算平台任务调度优化算法[J]. 西安电子科技大学学报, 2021, 48(6): 67-74.
[3]	于浩洋,尹良,李书芳,吕顺. 生成对抗网络小样本雷达调制信号识别算法[J]. 西安电子科技大学学报, 2021, 48(6): 96-104.
[4]	胡代旺,焦一源,李雁妮. 一种新型高效的文库知识图谱实体关系抽取算法[J]. 西安电子科技大学学报, 2021, 48(6): 75-83.
[5]	孙彦景,魏力,张年龙,云霄,董锴文,葛敏,程小舟,侯晓峰. 联合DD-GAN和全局特征的井下人员重识别方法[J]. 西安电子科技大学学报, 2021, 48(5): 201-211.
[6]	张佳琦,陶海红,张修社,韩春雷. 一种利用量测空间聚类的多帧检测前跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 231-238.
[7]	周鹏,杨军. 采用神经网络架构搜索的遥感影像分割方法[J]. 西安电子科技大学学报, 2021, 48(5): 47-57.
[8]	张书伟,李俊民. 一种复杂监控场景下的人体检测算法[J]. 西安电子科技大学学报, 2021, 48(5): 68-77.
[9]	杨云航,闵连权. 采用空洞卷积的多尺度融合草图识别模型[J]. 西安电子科技大学学报, 2021, 48(5): 92-99.
[10]	董如婵,焦李成,赵进,沈维燕. 一种深度融合机制的遥感图像目标检测技术[J]. 西安电子科技大学学报, 2021, 48(5): 128-138.
[11]	毛昭勇,王亦晨,王鑫,沈钧戈. 面向高速公路的车辆视频监控分析系统[J]. 西安电子科技大学学报, 2021, 48(5): 178-189.
[12]	程德,郝毅,周靖宇,王楠楠,高新波. 利用混合双通路神经网络的跨模态行人重识别[J]. 西安电子科技大学学报, 2021, 48(5): 190-200.
[13]	张宇浩,程培涛,张书豪,王秀美. 一种自适应权重学习的轻量超分辨率重建网络[J]. 西安电子科技大学学报, 2021, 48(5): 15-22.
[14]	韩永赛,马时平,何林远,李承昊,朱明明,张飞. 改进YOLOv3的快速遥感机场区域目标检测[J]. 西安电子科技大学学报, 2021, 48(5): 156-166.
[15]	陈昌川,王海宁,黄炼,黄涛,李连杰,黄向康,代少升. 一种基于局部表征的面部表情识别算法[J]. 西安电子科技大学学报, 2021, 48(5): 100-109.

目标检测的多尺度定位提升算法

Object detection based on the multiscale location Enhancement network

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 11

相关文章 15

Metrics

本文评价

推荐阅读 10