如需要完整文档点击下方 "点击下载文档" 按钮

常见的目标检测方法如 R-CNN 系列方法、YOLO 系列方法和 RetinaNet 等,虽然在通用数据集上有着不俗表现,但是在无人机小目标检测任务中的表现却不尽如人意。 分析原因是这些方法采用的传统特征金字塔融合网络 FPN 存在着上采样失真、语义信息衰减以及深层语义差异的问题,导致目标检测网络未能获取足够有辨识度的特征,致使其在无人机小目标检测任务中表现不佳。 对此,该文提出了一种基于 RetinaNet 网络的多尺度特征融合方法。 该方法采用像素洗牌上采样模块构建了像素洗牌融合网络,并且引入了深层语义增强模块,可在多尺度特征融合阶段提升无人机小目标在网络浅层的特征表示效果,进而提升深度神经网络对无人机小目标的检测性能。 最后在自建蜂群无人机数据集上的实验结果显示,引入新的特征融合方法之后,网络对无人机的检测精度达到 91. 2% ,提升了 1. 7% 。

如需要完整文档点击下方 "点击下载文档" 按钮

《改进 RetinaNet 特征融合方式的无人机检测方法》

将 完整文档 下载到本地，方便收藏和查阅

文件号：060230

点击下载文档