基于CNN级联特征增强的通用目标检测方法
作者:张业星; 陈敏; 潘秋羽
更新时间:
为了解决传统的链式特征融合只在单个方向上弥补缺失的语义信息,而忽视语义信息源的多方向性的问题,提出了一种图像特征空间的全局建模方法。根据各层特征图中原始信息的描述,设计了特征增强模块(FEM),从多个方向弥补级联特征语义缺失的缺陷,从而增强了CNN级联特征的表达能力。实验表明,在2007年VOCPASCAL测试数据集上,使用FEM的平均精度达到85.0%(mAP),比依赖传统融合的检测算法高出2.3%。
为了解决传统的链式特征融合只在单个方向上弥补缺失的语义信息,而忽视语义信息源的多方向性的问题,提出了一种图像特征空间的全局建模方法。根据各层特征图中原始信息的描述,设计了特征增强模块(FEM),从多个方向弥补级联特征语义缺失的缺陷,从而增强了CNN级联特征的表达能力。实验表明,在2007年VOCPASCAL测试数据集上,使用FEM的平均精度达到85.0%(mAP),比依赖传统融合的检测算法高出2.3%。