-
题名基于优化边界框回归的目标检测
被引量：4
- 1
-
-
作者
赵文仓
徐长凯
王春鑫
-
机构
青岛科技大学自动化与电子工程学院
-
出处
《高技术通讯》
CAS
2021年第7期747-753,共7页
-
基金
国家自然科学基金(61171131)
山东省重点研发计划(YD01033)
国家留学基金委项目(201608370049)资助。
-
文摘
目标检测是计算机视觉任务中的关键问题之一,而边界框回归是目标检测的重要步骤。现有方法认为交并比(IoU)损失有利于度量IoU,但仍然存在收敛速度慢和回归不准确的问题。此外,大规模的目标检测数据集尽可能地清晰定义真实边界框,但在标记边界框时仍然会引入偏差。本文基于CIoU损失和边界框回归Kullback-Leibler(KL)损失提出了优化IoU(OIoU)边界框损失,主要通过学习边界变换和定位方差解决上述问题。OIoU不仅用于评估本地化置信度还可以计算标准差和边界框位置,在解决边界框标注时带来的偏差、回归不准确问题的同时加快了收敛速度。在PASCAL VOC和MS-COCO两个数据集上证明了优化边界框损失在检测精度和收敛速度上要优于原有的方法。
-
关键词
目标检测
优化边界框回归
Kullback-Leibler(KL)损失
faster
R-CNN
-
Keywords
target detection
optimized bounding box regression
Kullback-Leibler(KL)loss
faster R-CNN
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名RetinaNet目标检测算法改进
- 2
-
-
作者
朱雨
郝晓丽
牛保宁
薛晋东
-
机构
太原理工大学计算机科学与技术学院
国网山西省电力公司太原供电公司
-
出处
《计算机工程与设计》
北大核心
2024年第11期3271-3278,共8页
-
基金
国家自然科学基金面上基金项目(62072326)。
-
文摘
针对RetinaNet特征金字塔存在噪声、特征融合不充分、融合时信息损失以及边界框回归不够准确、训练样本质量不平衡的问题,提出一种基于改进的RetinaNet目标检测算法。在特征提取模块中加入注意力模块对噪声过滤,将提出的基于差值注意力的多尺度特征融合模块添加到特征提取模块中,以充分融合特征并增强损失信息。将RetinaNet的损失函数替换为CIoU Loss,引入IoU作为加权系数,使模型向真实框与预测框重叠面积更高的方向优化,提升回归的准确性与速度,提高高质量样本的贡献值。实验结果表明,改进后的平均检测精度提高了1.8%。
-
关键词
深度学习
目标检测
噪声过滤
多尺度特征融合
边界框回归优化
注意力机制
差值注意力
-
Keywords
deep learning
object detection
noise filtering
multiscale feature fusion
bounding box regression optimization
attention mechanism
differential attention
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
