10.19665/j.issn1001-2400.2022.03.004
一种引入注意力机制的红外目标检测方法
针对红外目标纹理细节少、检测精度低的问题,提出在红外检测场景下引入注意力机制的Cascade-RCNN算法,设计了一种适用于红外场景的注意力机制以提升算法检测精度.由于基于深度学习的注意力机制常在可见光数据集上进行性能验证,首先在红外检测数据集上测试常见于可见光场景注意力机制的检测精度,对于以上注意力机制在红外目标检测场景的优缺点进行分析,提出一种显隐性通道交互的注意力机制,主要由显性特征交互和隐性特征交互两种方式组成;在显性特征交互方式上采用因子分解机的方法,在隐性特征交互方式上采用全连接层的方式;最后将两种交互方式通过全连接层到同维希尔伯特空间并进行信息融合,将通道关系从显性和隐性角度进行建模.同时,提出一种局部池化替换全局池化以获取更多红外目标空间纹理信息,结合在空间维度上使用多尺度卷积提取不同感受野的目标信息,进一步提升了算法精度.在FLIR公开红外数据集上进行实验,相比于基准算法Cascade RCNN,新方法在不引入过多参数量的同时,检测性能在不同的骨干网络上有2％左右的mAP提升.
因子分解机、局部池化、解耦结构、多尺度卷积、红外检测
49
TP311.1(计算技术、计算机技术)
国家自然科学基金;陕西省自然科学基础研究计划项目;陕西省自然科学基础研究计划项目;中央高校基本科研业务费;中央高校基本科研业务费;中国博士后科学基金;中国博士后科学基金;广东省基础与应用基础研究基金
2022-08-26（万方平台首次上网日期，不代表论文的发表时间）
共8页
28-35
