-
题名基于窗口注意力机制的端到端目标检测算法
- 1
-
-
作者
李彪
陈春雨
-
机构
哈尔滨工程大学信息与通信工程学院
-
出处
《应用科技》
2025年第1期181-188,共8页
-
基金
国家自然科学基金项目(61871142)
中央高校基本科研业务费项目(No.3072020CFT0803).
-
文摘
Transformer目标检测模型在小目标检测性能和训练收敛速度方面存在不足。为了解决这些问题,本文设计了一种多尺度窗口注意力机制,将其应用于检测变换器(detection Transformer,DETR)的Transformer中。这种机制为注意力计算引入了局部信息,有助于提取局部小目标的信息,并且降低了计算复杂度,使得DETR能够处理更高分辨率的特征图。本文提出的Windows DETR在COCO 2017数据集上取得了比DETR更优的性能,特别是在小目标检测方面,平均精度(average precision,AP)提升了3.2;同时,Windows DETR还加快了模型的训练收敛速度。
-
关键词
深度学习
目标检测
检测变换器
TRANSFORMER
窗口注意力机制
多尺度
小目标
coco2017数据集
-
Keywords
deep learning
object detection
detection Transformer
transformer
window attention mechanism
multiscale
small objects
coco2017 dataset
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于注意力机制的Siamese目标跟踪算法研究
被引量：2
- 2
-
-
作者
张军
刘先禄
张宇山
-
机构
安徽理工大学人工智能学院
安徽理工大学机械工程学院
-
出处
《河北水利电力学院学报》
2022年第1期1-8,共8页
-
基金
国家创新方法工作专项(2018IM010500)
安徽省科技重大专项计划项目(16030901012)
国家自然科学基金资助项目(51175005)。
-
文摘
为了进一步提升Siamese神经网络算法在目标跟踪领域的性能,本文对SiamMask的backbone模型基于注意力机制原理进行了重新设计。首先,对Siamese目标追踪网络的backbone网络框架进行局部修改;其次,对改进的算法与原SiamMask算法在Microsoft COCO2017数据集上进行了网络训练与验证;最后,将原SiamMask算法与改进的算法的验证集数据进行比对,以此来评价改进算法的性能。结果表明,在同等算力与数据集的条件下,基于注意力机制的backbone Siamese目标跟踪算法比SiamMask在IOU值上有2个百分点左右的性能提升。
-
关键词
Siamese
IOU
Microsoft
coco2017
BACKBONE
-
Keywords
Siamese
IOU
Microsoft coco2017
backbone
-
分类号
TP18
[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]
-
-
题名基于一阶段目标检测网络头部算法研究
被引量：1
- 3
-
-
作者
肖贵明
丁德锐
梁伟
魏国亮
-
机构
上海理工大学光电信息与计算机工程学院
-
出处
《智能计算机与应用》
2022年第11期78-86,共9页
-
基金
国家自然科学基金面上项目(61973219)
上海市“科技创新行动计划”国内科技合作项目(20015801100)。
-
文摘
目标检测的网络框架对目标检测结果影响极大,其中网络头部的研究是网络框架改进的重点之一。本文针对一阶段目标检测的网络头部进行改进。通过对当前两阶段网络头部的研究与一阶段网络框架RetinaNet头部热力图的输出进行分析,在一阶段网络头部创新性地引入池化层模块、提出双分类头模块、使用2个网络头部权重自适应分配结合的方法。本文使用RetinaNet作为baseline、VOC0712和MS COCO2017数据集作为实验数据集,最终在VOC0712上mAP达到了80.8%,相比于baseline提高了3.5%,在MS COCO2017测试集上mAP达到了40.2%,相比于RetinaNet提高了1.1%,使用多尺度后mAP达到了41.7%,提高了2.4%。
-
关键词
目标检测
BASELINE
VOC0712
MS
coco2017
RetinaNet
双分类头
热力图
MAP
-
Keywords
object detection
baseline
VOC0712
MS coco2017
RetinaNet
double classification head
heat map
mAP
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
