科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对ResNet和DLA（Deep Layer Aggregation）为主干网络的CenterNet算法特征提取能力不充分、热力图与目标真实边界框吻合度不高、关键点损失函数未充分考虑预测值对难易样本训练比重的影响等不足，提出一种改进多尺度卷积结构与高斯核的E-CenterNet算法。首先，引入轻量型EfficientNetV2-S作为主干网络，并结合基于金字塔分割注意力网络的多尺度卷积结构对其进行改进，提高特征提取能力；然后，对高斯核进行改进，使CenterNet产生的热力图由固定的圆形改进为随边界框宽高变化的椭圆形，增强算法对边界框宽高差异大的目标的检测能力；最后，提出一种基于关键点预测值的关键点损失函数，提高算法对难样本的训练比例。在Pascal VOC数据集上的实验结果表明：E-CenterNet算法的mAP达到83.3%，比原始算法提升了2.6%，检测性能优于CenterNet算法。
- 出版日期2022-10-21
- 单位湖南科技大学
