.png){kind=icon}
返回
Multi-Feature Fusion Method Based on Adaptive Dilation Convolution for Small-Object Detection
.png){kind=icon}
OA
AI
DOI：10.3390/s25103182.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对交通监控中小目标检测的挑战，提出了一种结合注意力机制与卷积层的混合网络架构。该网络将一种创新性注意力机制引入YOLOv8骨干网络，通过特征图上的精细粒度与粗粒度注意力路由，有效提升了小目标的检测精度和鲁棒性。在特征融合阶段，我们采用了自适应空洞卷积，该卷积基于频率分量动态调整空间上的膨胀率。这种自适应卷积核有助于保留小目标的细节并强化其特征表示，同时扩大感受野，有利于捕捉上下文信息和小目标的整体特征。与当前最优方法相比，本文方法在UA-DETRAC-test数据集上的平均精度（AP）提升了1%，在VisDrone-test数据集上提升了3%。实验表明，新架构在各项评估指标上均实现了显著性能提升。为充分挖掘本文方法的应用潜力，我们进一步对雷达-相机系统展开了扩展研究。
Keyword:
small-object detection
attention mechanism
feature fusion
adaptive dilated convolution
radar-camera system
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
A CFAR Algorithm Based on Monte Carlo Method for Millimeter-Wave Radar Road Traffic Target DetectionOAAI
OAAI分享收藏
查看更多内容