面向非对称特征注意力和特征融合的太赫兹图像检测
2022-08-09曾文健朱艳沈韬曾凯刘英莉
曾文健,朱艳,沈韬,曾凯,刘英莉
1. 昆明理工大学信息工程与自动化学院,昆明 650500; 2. 昆明理工大学云南省计算机技术应用重点实验室,昆明 650500
0 引 言
近年来,基于卷积神经网络(convolutional neural network,CNN)的目标检测算法以其优异的检测性能和快速处理数据的能力在目标检测领域得到了广泛应用。现阶段的目标检测算法按检测流程分为两类;一类是以Faster R-CNN(region-convolutional neural network)(Ren 等,2017)、Mask R-CNN(He 等,2017)为代表的具有区域建议的两阶段目标检测算法,这些检测算法在检测精度上较高但是检测速度慢。另一类是以SSD(single shot multibox detector)(Liu 等,2016)、YOLOv4(you only look once)(Bochkovskiy 等,2020)等为代表的单阶段目标检测算法,这些检测算法能实现实时性的快速检测,但是在检测精度上低于两阶段的目标检测算法。
基于深度学习的目标检测算法虽然在对自然光学图像的检测中取得了较好的检测效果,但由于太赫兹图像的对比度较低,图像中目标的边缘信息模糊,导致背景信息容易与目标信息混淆;同时,由于太赫兹图像中的目标尺寸较小,目标特征有限,最后导致基于深度学习的目标检测方法对太赫兹图像的检测效果较差。因此,如何利用有限的特征信息来准确检测太赫兹图像中的目标是太赫兹图像检测的难点。
为了解决上述问题,本文在YOLOv4的基础上提出一种融合非对称特征注意力和特征融合的目标检测网络AFA-YOLO(asymmetric feature attention-YOLO)。AFA-YOLO在检测模型中加入非对称卷积(Ding等,2019)来增强模型对目标的特征提取能力,并且使用CBAM(convolutional block attention module)(Woo 等, 2018)注意力机制模块使模型关注图像中的有用特征,抑制冗余特征,从而减少背景信息对目标产生的干扰,降低漏检情况。……
