改进的Cascade R-CNN算法在目标检测上的应用

作者：张娜; 包梓群; 罗源; 吴彪; 涂小妹

来源：电子学报, 2023, 51(04): 896-906.

• Cascade R-CNN
• 可切换空洞卷积
• Repulsion Loss
• 目标检测
• 目标遮挡

针对Cascade R-CNN目标检测算法中存在检测精度较低以及目标遮挡问题，本文提出一种改进的Cascade R-CNN网络目标检测算法.该算法在主干网络ResNet101中引入可切换空洞卷积模块（Switchable Atrous Convolution,SAC），该模块主要由两个全局上下文模块以及SAC组件构成，采用SAC组件以不同的空洞卷积率对特征进行卷积，并使用Switch函数收集特征来提高特征提取能力.同时，在ResNet101残差网络中引入坐标注意力机制（Coordinate Attention,CA），该机制将位置信息嵌入通道注意力中，用于更好地获取方向感知和位置感知信息，进而提高目标检测精度.此外，针对目标遮挡问题，引入Repulsion Loss损失函数.该损失函数主要由吸引项和排斥项组成，吸引项使得预测框和匹配上的目标框尽可能接近，排斥项使得预测框远离错误目标，进而减少非极大值抑制（Non-Maximum Suppression,NMS）的误检，提高目标检测中遮挡问题的检测精度.实验结果表明，在公开的科大讯飞AI挑战赛数据集上，与原算法测试性能相比，改进的Cascade R-CNN网络对该数据集检出率增长了2.39%，改进算法的识别精度有一定的提高.

• 出版日期2023
• 单位浙江广厦建设职业技术学院; 浙江理工大学