基于改进faster R-CNN算法的小目标车辆检测

打开文本图片集

摘  要：针对faster R-CNN对远距离小目标车辆的检测效果较差的问题，文章融合特征金子塔网络（FPN）和faster R-CNN，提出了反卷积反向特征融合faster R-CNN算法。首先，对faster R-CNN算法的特征提取网络进行改进，选用ResNet-101网络替换VGG网络，不仅降低了训练难度，而且有效改善梯度消失问题，将其与提出的反卷积反向特征融合结构相结合，提高对远距离小目标车辆信息的多尺度特征的提取和表达能力;然后，将网络中的ReLU激活函数改进为Mish激活函数，用整个区域的光滑曲线解决ReLU函数会丢失一部分信息的问题，以整体提高网络对车辆目标的精确度、稳定性和鲁棒性;最后，在自建的小目标车辆图像库中与faster R-CNN、YOLOv3等算法进行对比实验，综合场景下平均精度分别提高2.18%、2.98%，对于小目标车辆，平均精度分别提高5.72%、2.10%。（剩余8358字）

网站仅支持在线阅读（不支持PDF下载），如需保存文章，可以选择【打印】保存。