基于改进的RFBNet行人检测算法

摘要

深度学习方法在行人检测领域取得了不错的成绩,但还存在一些问题需进一步解决,例如遮挡、难负样本等问题.本文提出基于注意力机制的RFBNet行人检测算法,针对部分遮挡问题,可以取得更好的检测效果.在注意力机制的引导下,网络更加倾向于可见部分的行人信息,抑制背景信息,从而避免其误导网络训练,进一步降低负样本误检为正样本的概率.为了将模型能够部署在轻量级设备上,本文使用参数量更少的轻量网络模型.在PASCAL VOC行人数据集上实验结果显示,通过增加通道注意力机制,检测平均精准率增加了 0.51％;当模型参数量裁剪为0.9M和3.1M时,行人检测精度仍然能够达到78.04％和80.01％,而模型参数量压缩为原来的约10％.本文算法可以提高行人检测的精度,且具有良好的鲁棒性和适用性.