基于多尺度特征的目标检测算法研究.pdf

摘要

目标检测是计算机视觉领域的基本任务之一，而设计高效的目标检测算法

一直是研究者们所追求的。本文从深度学习中的多尺度特征角度出发研究特征

多层融合方法，同时将高阶特征和位置敏感的权重网络相结合。

本文首先从多层特征融合角度出发，分别研究基于Faster-RCNN的多层特

征融合方法和基于特征金字塔网络（FPN）的多层特征融合方法。在这两类方法

中，基于Faster-RCNN的方法只有一个预测组件，而基于特征金字塔网络的方

法有多个预测组件，所以研究它们各自的多层特征融合策略是必要的。针对这

两类方法，本文提出了两种多层特征融合策略，并在PASCALVOC数据集上进

行了验证，有效地提升了目标检测精度。

除了多层特征融合策略的研究之外，本文提出了多尺度的位置敏感的核函

数特征表达方法（MLKP）。MLKP提出了一种高阶特征在目标检测领域的应用

方法，同时设计了位置权重网络，并将二者结合在一起。高阶特征的使用是一

种特征增强方法，可以提升模型对小目标的检测能力。通过利用目标位置的统

计学信息，位置权重网络可以对特征图进行加权操作。在特征图中，并不是所

有区域都会有目标出现，位置权重网络可以对存在目标的区域进行增强，同时

对不存在目标的区域进行削弱，达到提升目标检测效果的目的。与此同时，我

们也对多尺度的位置权重网络进行研究，并分析其优劣。最后，MLKP算法在

两类公开的数据集（PASCALVOC和MSCOCO）上进行了验证，都取得了当

前最好的结果。

关键词：目标检测；多尺度特征；多层特征融合；高阶特征；位置权重网络

Abstract

Objectdetectionisoneofthebasictasksincomputervision,andtheefficient

targetdetectionalgorithmhasalwaysbeenpursuedbyresearchers.Fromthe

perspectiveofmulti-scalefeaturesindeeplearning,westudiesmulti-featurefusion

methodsandcombinesthehigh-orderfeatureswithlocationawareweightednetworks.

Firstly,westudythemulti-featurefusionmethodbasedonFaster-RCNNand

featurepyramidnetwork(FPN),respectively.Itisnecessarytostudythesetwo

methodsbecausetheFaster-RCNNbasedmethodhasonlyonepredictioncomponent

whiletheFPNbasedmethodhasmultiplecomponents.Twomulti-layerfeaturefusion

strategiesareproposedinthispaperandverifiedonthePASCALVOCdataset,and

effectivelyimprovetheaccuracyofobjectdetection.

Inadditiontothestudyonmulti-layerfeaturefusionstrategy,wefurtherpropose

amulti-scalelocation-awarekernelrepresentationmethod(MLKP).MLKPproposes

anapplicationmethodofhigh-orderfeaturesinthefiledofobjectdetectionand

designsalocationawareweigh