增强小目标检测性能的通道自注意力机制算法研究

摘要

小目标检测是计算机视觉领域具有挑战性的问题。空间注意力和通道注意力机制的使用提高了目标检测网络的均值平均精度,但捕获小物体上下文信息的能力仍然有限,并且在小目标和大中型目标的检测精度上存在差距,难以感知小物体的位置。算法构建了一种基于通道自注意力机制(Channel Self-Attention, CSA)的算法模块,将输入特征映射压缩后,运用自注意力机制建立特征通道间相关性,自适应地重新优化特征通道的响应,提升了捕获小物体远距离上下文信息的能力,从而提高了对小目标的检测精度。实验结果表明,在几乎不增加计算成本的情况下,CSA块能够为现有目标检测网络带来性能改进。在PASCAL VOC2007数据集上,采用通道自注意力机制的RetinaNet的mAP值分别比原始RetinaNet的mAP值高3.11个百分点。使用通道自注意力机制的MobileNetv2比原始的MobileNetv2 mAP值提高3.05个百分点。