基于特征融合和特征增強的目標檢測算法研究

韓同強

（重慶郵電大學軟件工程學院，重慶400065）

目標檢測是數字圖像處理領域中一項熱門研究，主要包括定位和分類兩個任務，被廣泛應用在智能監控[1]、無人駕駛[2]、以及航空航天等領域[3]。

SSD[4]是主要的單階段目標檢測算法之一，平衡了單階段目標檢測算法的速度和精度。在原始SSD 算法的金字塔特征層中，不同尺度的特征圖之間缺少相互關聯的特征信息，并且深層特征圖具有較大的感受野，導致特征提取的內容過于抽象，不利于小目標的檢測，這些問題使原始的SSD 算法在處理小目標檢測任務時受到限制。

1 基于SSD 的改進算法

1.1 網絡結構

本文的算法基于SSD 框架，將FPN 的思想整合到網絡結構中，整合淺層特征和深層特征以改善每一層的特征表達能力，并在預測層后增加了特征增強模塊以增強小目標特征提取能力，另外，本文還將注意機制模塊引入網絡結構中，以保留更有效的特征信息并抑制其他不相關的信息。算法的整體網絡結構如圖1 所示。

圖1 整體結構

1.2 特征融合

針對SSD 網絡模型的特點，本文提出了一種新的特征融合方法，特征融合模塊如圖2 所示。通過反卷積的方式對深層特征圖進行上采樣。在兩個卷積層之后，添加了歸一化層，以更好地整合兩個卷積層的特性。最后，使用concate 融合方法將兩個特征圖進行融合，并通過1×1 卷積減少通道數。

圖2 特征融合模塊

1.3特征增強模塊

圖3 特征增強模塊

本文在每個卷積層之后引入了一個特征增強模塊，以使本文的模型更好地表達目標信息。特征增強模塊如圖3 所示。通過添加此模塊，本文增強了模型提取特征的能力。特征增強模塊結合了四個不同比例的特征圖，大小為1×1、2×2、3×3 和6×6。本文使用平均池化操作來獲取原始特征圖中每個局部區域的平均值。然后，根據先前的特征區域刪除平均值來獲得新的特征，此歸一化操作可以生成多尺度對比度提示以捕獲外觀變化。

1.4 注意力機制

為了增強融合特征層的表示能力，增強有利于檢測效果的信道特征的表示，在每個特征層之后增加通道注意力模塊進行預測。注意力模塊的實現是通過融合特征的全局平均池來壓縮每個通道的特征量。當X 經過第一層卷積池化之后得到B，首先通過注意力模塊學習出每個通道的權重得到權重矩陣?，然后將? 與B 進行相乘從而產生通道域的注意力，得到新的特征U，其中通道注意力機制包括擠壓函數（全局平均池化）如公式（1）、激勵函數如（2）和尺度函數三個模塊如（3）所示。

2 實驗結果

在VOC2007 測試數據集上，本文將改進的模型與當前主流的目標檢測算法進行比較，結果如表1 所示。Faster RCNN 算法[5]，YOLO 算法[6]，SSD 算法的準確率分別為76.4%，63.4%，77.5%，本文算法測試的準確率達到79.8%。

表1 VOC07 的測試結果

在小目標檢測的實際應用中，為了驗證所提算法的準確性，將Pascal VOC2007 和Pascal VOC2012 數據集用于訓練和檢測。測試集中的圖像是隨機選擇的，以驗證算法的準確性。結果如圖4 所示。與SSD 中數據集的檢測相比，本文的方法大大提高了檢測到的小目標的數量和位置。

3 結論

本文提出了一種基于注意力機制和特征增強模塊的目標檢測方法。首先，本文設計了一種特征融合模塊，可以融合淺層特征和深層特征。其次，在預測層之后添加了特征增強模塊來提高網絡的特征提取能力，并添加了注意力模塊來獲取全局上下文信息。實驗結果表明，所提方法的模型優于傳統的SSD 模型，同時速度也可以與其他檢測器相媲美。

圖4 效果展示

在將來，本文計劃提高在復雜背景中對有遮擋目標的檢測精度，進一步加強各個特征圖之間的信息共享，加強網絡提取特征的能力。