跨深度的卷积特征增强目标检测算法

摘要

针对当前基于深度学习的目标检测算法采取的特征图融合方式存在缺陷,算法普遍不能很好地应对尺度变化等问题,提出一种跨深度卷积特征增强的目标检测算法CDC-YOLO.对YOLOv3算法进行改进,针对多尺度预测层各自的特点采用与之适应的特征增强模块,采用多通道的跨深度的卷积核并结合空洞卷积并行地提取特征,最终级联起来.该模块能充分利用多尺度多深度特征,形成统一的多尺度特征表达.在VOC2007test上的实验结果表明,提出算法的mAP(均值平均精度)高达82.33％,比原始YOLOv3提升了约2％,且对尺度变化大的物体鲁棒性更强.