基于改进的特征提取网络的目标检测算法

乔婷; 苏寒松; 刘高华; 王萌

doi:doi:10.3788/LOP56.231008

激光与光电子学进展, 2019, 56 (23): 231008, 网络出版: 2019-11-27

基于改进的特征提取网络的目标检测算法下载： 961次

Object Detection Algorithm Based on Improved Feature Extraction Network

乔婷苏寒松刘高华 ^*王萌

作者单位

天津大学电气自动化与信息工程学院, 天津 300072

图 & 表

图 1. 4种数据增强技巧效果对比图

Fig. 1. Comparison of effects of four data augmentation techniques

下载图片查看原文

图 2. 翻转、裁剪、旋转方法组合效果对比图

Fig. 2. Comparison of combination effects of flipping, cropping, and rotating methods

下载图片查看原文

图 3. ResNet、DensNet、双通道网络单元结构节点表示图。(a) ResNet网络单元;(b) DensNe网络单元;(c)双通道网络单元

Fig. 3. Node representations of cell structures of ResNet, DensNet, and two-path networks. (a) ResNet network; (b) DensNet network; (c) two-path network

下载图片查看原文

图 4. 传统的NMS问题举例图。(a)马;(b)鸟

Fig. 4. Examples of traditional NMS problems. (a) Horses; (b) birds

下载图片查看原文

图 5. 52层、100层、133层深度的特征提取网络参数量和Top-1错误率趋势图

Fig. 5. Trend of parameter quantity of feature extraction network with Top-1 error rate and 52, 100, and 133 layers

下载图片查看原文

图 6. 网络增长率为12,18,24,48的特征提取网络的参数量和Top-1错误率趋势图

Fig. 6. Trend of parameter quantity of feature extraction network with Top-1 error rate and network growth rates of 12, 18, 24, and 48

下载图片查看原文

表 1特征提取网络结构

Table1. Structure of feature extraction network

Layer	Output size	Detail
Conv1	112×112	7×7,64,stride 2
Conv2	56×56	3×3 max pool,stride 2 $\begin{matrix} [\begin{matrix} 1 \times 1 conv \\ 3 \times 3 conv \\ 1 \times 1 conv \end{matrix}] \end{matrix}$ ×α₁
Conv3	28×28	$\begin{matrix} [\begin{matrix} 1 \times 1 conv \\ 3 \times 3 conv \\ 1 \times 1 conv \end{matrix}] \end{matrix}$ ×α₂
Conv4	14×14	$\begin{matrix} [\begin{matrix} 1 \times 1 conv \\ 3 \times 3 conv \\ 1 \times 1 conv \end{matrix}] \end{matrix}$ ×α₃
Conv5	7×7	$\begin{matrix} [\begin{matrix} 1 \times 1 conv \\ 3 \times 3 conv \\ 1 \times 1 conv \end{matrix}] \end{matrix}$ ×α₄

查看原文

表 2不同特征提取网络的复杂性比较

Table2. Comparison of complexity of different feature extraction networks

Feature extraction network	Depth	Parameter /10⁶
VGG-16	16	168
DensNet(K=48)	161	111
ResNet	101	150
Ours(α₁α₂α₃α₄=6,8,16,3; K=48)	100	134

查看原文

表 3IoU阈值、β参数、加权平均对平均值(AP)的影响(0.5、0.6、0.7代表不同的IoU阈值,w代表加权平均)

Table3. Influences of IoU threshold, β parameter, and weighted average on AP (0.5, 0.6, and 0.7 represent different IoU thresholds; w represents weighted average)

Different parameter	A $\begin{matrix} {P^{0 .}}^{5} \end{matrix}$	A $\begin{matrix} {P^{0 .}}^{5 w} \end{matrix}$	A $\begin{matrix} {P^{0 .}}^{6} \end{matrix}$	A $\begin{matrix} {P^{0 .}}^{6 w} \end{matrix}$	A $\begin{matrix} {P^{0 .}}^{7} \end{matrix}$	A $\begin{matrix} {P^{0 .}}^{7 w} \end{matrix}$
Normal NMS	44.37	44.83	39.18	39.67	29.83	30.34
β=2.5, σ=0.4	46.42	46.92	42.83	43.40	34.68	35.24
β=1.67, σ=0.6	46.58	47.11	43.30	43.79	35.21	35.76
β=1.25, σ=0.8	45.93	46.45	41.68	42.21	33.01	33.53

查看原文

表 4数据增强和改进的NMS机制对准确率的影响

Table4. Influences of data augmentation and improved NMS mechanism on accuracy

Detection framwork	Backbone	Training set	Testing set	mAP /%
OursNo augmentation No improved NMS	ProposedProposedProposed	VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012	VOC2007VOC2007VOC2007	79.176.678.0

查看原文

表 5不同epoch对准确率的影响结果

Table5. Influences of different epochs on accuracy

Nums of epoch	Learning rate setting	mAP /%
0	No warming up	78.20
2	0.01, 0.1	78.25
345	0.001, 0.01, 0.10.0001, 0.001, 0.01, 0.10.00001, 0.0001, 0.001, 0.01, 0.1	78.3678.6778.71

查看原文

表 6不同算法在VOC2007+VOC2012训练集下的测试结果

Table6. Testing results of different algorithms under VOC2007+VOC2012 training sets

Method		Backbone	Training set	Testing set	mAP/%	Frame rate /(frame·s^-1)
Twostage	Fast R-CNNFaster R-CNNFaster R-CNNMR-CNNIONOurs	VGG-16VGG-16ResNet-101ResNet-101VGG-16Proposed	VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012	VOC2007VOC2007VOC2007VOC2007VOC2007VOC2007	70.073.276.478.276.579.1	0.5072.400.031.252.10
Onestage	YOLOYOLOv2SSD321SSD300*DSOD300DSSD513	GoogleNetDarknet-19ResNet-101VGG-16DS/64-192-48-1ResNet-101	VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012VOC2007+VOC2012	VOC2007VOC2007VOC2007VOC2007VOC2007VOC2007	63.478.677.177.277.781.5	454011.204617.405.50

查看原文

乔婷, 苏寒松, 刘高华, 王萌. 基于改进的特征提取网络的目标检测算法[J]. 激光与光电子学进展, 2019, 56(23): 231008. Ting Qiao, Hansong Su, Gaohua Liu, Meng Wang. Object Detection Algorithm Based on Improved Feature Extraction Network[J]. Laser & Optoelectronics Progress, 2019, 56(23): 231008.

基于改进的特征提取网络的目标检测算法下载： 961次

图 1. 4种数据增强技巧效果对比图

Fig. 1. Comparison of effects of four data augmentation techniques

图 2. 翻转、裁剪、旋转方法组合效果对比图

Fig. 2. Comparison of combination effects of flipping, cropping, and rotating methods

图 3. ResNet、DensNet、双通道网络单元结构节点表示图。(a) ResNet网络单元;(b) DensNe网络单元;(c)双通道网络单元

Fig. 3. Node representations of cell structures of ResNet, DensNet, and two-path networks. (a) ResNet network; (b) DensNet network; (c) two-path network

图 4. 传统的NMS问题举例图。(a)马;(b)鸟

Fig. 4. Examples of traditional NMS problems. (a) Horses; (b) birds

图 5. 52层、100层、133层深度的特征提取网络参数量和Top-1错误率趋势图

Fig. 5. Trend of parameter quantity of feature extraction network with Top-1 error rate and 52, 100, and 133 layers

图 6. 网络增长率为12,18,24,48的特征提取网络的参数量和Top-1错误率趋势图

Fig. 6. Trend of parameter quantity of feature extraction network with Top-1 error rate and network growth rates of 12, 18, 24, and 48

表 1特征提取网络结构

Table1. Structure of feature extraction network

表 2不同特征提取网络的复杂性比较

Table2. Comparison of complexity of different feature extraction networks

表 3IoU阈值、β参数、加权平均对平均值(AP)的影响(0.5、0.6、0.7代表不同的IoU阈值,w代表加权平均)

Table3. Influences of IoU threshold, β parameter, and weighted average on AP (0.5, 0.6, and 0.7 represent different IoU thresholds; w represents weighted average)

表 4数据增强和改进的NMS机制对准确率的影响

Table4. Influences of data augmentation and improved NMS mechanism on accuracy

表 5不同epoch对准确率的影响结果

Table5. Influences of different epochs on accuracy

表 6不同算法在VOC2007+VOC2012训练集下的测试结果

Table6. Testing results of different algorithms under VOC2007+VOC2012 training sets

关于本站 Cookie 的使用提示

全站搜索

基于改进的特征提取网络的目标检测算法 下载： 961次

图 1. 4种数据增强技巧效果对比图

Fig. 1. Comparison of effects of four data augmentation techniques

图 2. 翻转、裁剪、旋转方法组合效果对比图

Fig. 2. Comparison of combination effects of flipping, cropping, and rotating methods

图 3. ResNet、DensNet、双通道网络单元结构节点表示图。(a) ResNet网络单元;(b) DensNe网络单元;(c)双通道网络单元

Fig. 3. Node representations of cell structures of ResNet, DensNet, and two-path networks. (a) ResNet network; (b) DensNet network; (c) two-path network

图 4. 传统的NMS问题举例图。(a)马;(b)鸟

Fig. 4. Examples of traditional NMS problems. (a) Horses; (b) birds

图 5. 52层、100层、133层深度的特征提取网络参数量和Top-1错误率趋势图

Fig. 5. Trend of parameter quantity of feature extraction network with Top-1 error rate and 52, 100, and 133 layers

图 6. 网络增长率为12,18,24,48的特征提取网络的参数量和Top-1错误率趋势图

Fig. 6. Trend of parameter quantity of feature extraction network with Top-1 error rate and network growth rates of 12, 18, 24, and 48

表 1特征提取网络结构

Table1. Structure of feature extraction network

表 2不同特征提取网络的复杂性比较

Table2. Comparison of complexity of different feature extraction networks

表 3IoU阈值、β参数、加权平均对平均值(AP)的影响(0.5、0.6、0.7代表不同的IoU阈值,w代表加权平均)

Table3. Influences of IoU threshold, β parameter, and weighted average on AP (0.5, 0.6, and 0.7 represent different IoU thresholds; w represents weighted average)

表 4数据增强和改进的NMS机制对准确率的影响

Table4. Influences of data augmentation and improved NMS mechanism on accuracy

表 5不同epoch对准确率的影响结果

Table5. Influences of different epochs on accuracy

表 6不同算法在VOC2007+VOC2012训练集下的测试结果

Table6. Testing results of different algorithms under VOC2007+VOC2012 training sets

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于改进的特征提取网络的目标检测算法下载： 961次