基于特征融合和特征增強的目標檢測算法研究

韓同強

（重慶郵電大學軟件工程學院，重慶400065）

目標檢測是數(shù)字圖像處理領(lǐng)域中一項熱門研究，主要包括定位和分類兩個任務，被廣泛應用在智能監(jiān)控[1]、無人駕駛[2]、以及航空航天等領(lǐng)域[3]。

SSD[4]是主要的單階段目標檢測算法之一，平衡了單階段目標檢測算法的速度和精度。在原始SSD 算法的金字塔特征層中，不同尺度的特征圖之間缺少相互關(guān)聯(lián)的特征信息，并且深層特征圖具有較大的感受野，導致特征提取的內(nèi)容過于抽象，不利于小目標的檢測，這些問題使原始的SSD 算法在處理小目標檢測任務時受到限制。

1 基于SSD 的改進算法

1.1 網(wǎng)絡結(jié)構(gòu)

本文的算法基于SSD 框架，將FPN 的思想整合到網(wǎng)絡結(jié)構(gòu)中，整合淺層特征和深層特征以改善每一層的特征表達能力，并在預測層后增加了特征增強模塊以增強小目標特征提取能力，另外，本文還將注意機制模塊引入網(wǎng)絡結(jié)構(gòu)中，以保留更有效的特征信息并抑制其他不相關(guān)的信息。算法的整體網(wǎng)絡結(jié)構(gòu)如圖1 所示。

圖1 整體結(jié)構(gòu)

1.2 特征融合

針對SSD 網(wǎng)絡模型的特點，本文提出了一種新的特征融合方法，特征融合模塊如圖2 所示。通過反卷積的方式對深層特征圖進行上采樣。在兩個卷積層之后，添加了歸一化層，以更好地整合兩個卷積層的特性。最后，使用concate 融合方法將兩個特征圖進行融合，并通過1×1 卷積減少通道數(shù)。

圖2 特征融合模塊

1.3特征增強模塊

圖3 特征增強模塊

本文在每個卷積層之后引入了一個特征增強模塊，以使本文的模型更好地表達目標信息。特征增強模塊如圖3 所示。通過添加此模塊，本文增強了模型提取特征的能力。特征增強模塊結(jié)合了四個不同比例的特征圖，大小為1×1、2×2、3×3 和6×6。本文使用平均池化操作來獲取原始特征圖中每個局部區(qū)域的平均值。然后，根據(jù)先前的特征區(qū)域刪除平均值來獲得新的特征，此歸一化操作可以生成多尺度對比度提示以捕獲外觀變化。

1.4 注意力機制

為了增強融合特征層的表示能力，增強有利于檢測效果的信道特征的表示，在每個特征層之后增加通道注意力模塊進行預測。注意力模塊的實現(xiàn)是通過融合特征的全局平均池來壓縮每個通道的特征量。當X 經(jīng)過第一層卷積池化之后得到B，首先通過注意力模塊學習出每個通道的權(quán)重得到權(quán)重矩陣?，然后將? 與B 進行相乘從而產(chǎn)生通道域的注意力，得到新的特征U，其中通道注意力機制包括擠壓函數(shù)（全局平均池化）如公式（1）、激勵函數(shù)如（2）和尺度函數(shù)三個模塊如（3）所示。

2 實驗結(jié)果

在VOC2007 測試數(shù)據(jù)集上，本文將改進的模型與當前主流的目標檢測算法進行比較，結(jié)果如表1 所示。Faster RCNN 算法[5]，YOLO 算法[6]，SSD 算法的準確率分別為76.4%，63.4%，77.5%，本文算法測試的準確率達到79.8%。

表1 VOC07 的測試結(jié)果

在小目標檢測的實際應用中，為了驗證所提算法的準確性，將Pascal VOC2007 和Pascal VOC2012 數(shù)據(jù)集用于訓練和檢測。測試集中的圖像是隨機選擇的，以驗證算法的準確性。結(jié)果如圖4 所示。與SSD 中數(shù)據(jù)集的檢測相比，本文的方法大大提高了檢測到的小目標的數(shù)量和位置。

3 結(jié)論

本文提出了一種基于注意力機制和特征增強模塊的目標檢測方法。首先，本文設(shè)計了一種特征融合模塊，可以融合淺層特征和深層特征。其次，在預測層之后添加了特征增強模塊來提高網(wǎng)絡的特征提取能力，并添加了注意力模塊來獲取全局上下文信息。實驗結(jié)果表明，所提方法的模型優(yōu)于傳統(tǒng)的SSD 模型，同時速度也可以與其他檢測器相媲美。

圖4 效果展示

在將來，本文計劃提高在復雜背景中對有遮擋目標的檢測精度，進一步加強各個特征圖之間的信息共享，加強網(wǎng)絡提取特征的能力。