一种基于SSD改进的目标检测算法

doi:10.3969/j.issn.1006-2475.2020.02.018

计算机与现代化

一种基于SSD改进的目标检测算法

(华北电力大学控制与计算机工程学院，北京102206)

收稿日期:2019-08-13 出版日期:2020-03-03 发布日期:2020-03-03
作者简介:苏蒙（1995-），男（壮），云南曲靖人，硕士研究生，研究方向：深度学习，计算机视觉，E-mail: wa97@outlook.com；李为（1967-），女，教授，硕士，研究方向：智能电网软件技术，电力信息安全，E-mail: liwei@ncepu.edu.cn。
基金资助:
国家自然科学基金资助项目（61300132）

A Modified Object Detection Algorithm Based on SSD

(School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China)

Received:2019-08-13 Online:2020-03-03 Published:2020-03-03

摘要/Abstract

摘要： SSD(Single Shot MultiBox Detector)是一种基于深度学习的目标检测算法，它作为当前最为主流的检测算法之一，在极大地提高检测速度的同时，还能保证一定的检测精度，但是仍难以满足实际应用的需求。本文在SSD模型的基础上，引入注意力机制，提出一种基于SSD改进的目标检测算法。注意力机制能够有效地提高卷积神经网络对图片特征的提取能力，从而进一步提高算法的检测精度。改进后的算法在Pascal VOC数据集上进行对比试验。实验结果表明，改进后的模型在Pascal VOC2007测试集上的检测精度达到78.5% mAP（mean Average Precision），比改进前提高4.2个百分点，在Pascal VOC2012测试集上的检测精度达到77.1% mAP，比改进前提高4.7个百分点。

关键词: 目标检测, SSD, 深度学习, 卷积神经网络, 注意力机制

Abstract: Single Shot MultiBox Detector(SSD), one of the most prevalent object detection algorithms based on deep learning, greatly shortens the time of object detecting, whose accuracy of detection is acceptable. However its accuracy cannot meet the need of practical application. Attention mechanism is helpful in improving the performance of convolutional neural network and the accuracy of detection. This paper modifies SSD with attention mechanism and proposes a modified object detection algorithm based on SSD. The modified SSD has been tested with Pascal VOC dataset. The modified SSD achieves 78.5% mAP in Pascal VOC2007 test set and 77.1% mAP in Pascal VOC2012 test set, which are higher than original SSD 4.2 percentage points and 4.7 percentage points separately.

Key words: object detection, SSD, deep learning, convolutional neural network, attention mechanism

中图分类号:

TP399

苏蒙，李为 . 一种基于SSD改进的目标检测算法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2020.02.018.

SU Meng, LI Wei. A Modified Object Detection Algorithm Based on SSD[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2020.02.018.

参考文献

［1］ GIRSHICK R B, DONAHUE J, DARRELL T, et al. Region-based convolutional networks for accurate object detection and segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016,38(1):142-158.
［2］ HE K M, ZHANG X Y, REN S Q, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015,37(9):1904-1916. 〖HJ1.6mm〗
［3］ GIRSHICK R B. Fast R-CNN［C］// International Conference on Computer Vision. 2015:1440-1448.
［4］ REN S Q, HE K M, GIRSHICK R B, et al. Faster R-CNN: Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017,39(6):1137-1149.
［5］ DAI J F, LI Y, HE K M, et al. R-FCN: Object detection via region-based fully convolutional networks［C］// Proceedings of the 30th International Conference on Neural Information Processing Systems(NIPS’16). 2016:379-387.
［6］〖JP3〗姚群力,胡显,雷宏. 深度卷积神经网络在目标检测中的研究进展［J］. 计算机工程与应用, 2018,54(17):1-9.
［7］ REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection［C］// IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2016:779-788.
［8］ LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector［C］// European Conference on Computer Vision. Springer, 2016:21-37.
［9］〖JP3〗胡金辰,王雨晨,蒋江红,等. 基于深度卷积网络的目标检测技术综述［J］. 数字技术与应用, 2018,36(4):97-98.
［10］王慧玲,綦小龙,武港山. 基于深度卷积神经网络的目标检测技术的研究进展［J］. 计算机科学, 2018,45(9):11-19.
［11］FU C Y, LIU W, RANGA A, et al. DSSD: Deconvolutional single shot detector［J］. 2017: arXiv:1701.06659.
［12］HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition［C］// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016:770-778.
［13］SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［J］. Computer Vision and Pattern Recognition, 2014: arXiv:1409.1556.
［14］JEONG J, PARK H, KWAK N. Enhancement of SSD by concatenating feature maps for object detection［J］. Computer Vision and Pattern Recognition, 2017: arXiv:1705.09587.
［15］BAHDANAU D, CHO K, BENGIO Y. Neural machine translation by jointly learning to align and translate［J］. Computation and Language, 2014: arXiv:1409.0473.
［16］MNIH V, HEESS N, GRAVES A, et al. Recurrent models of visual attention［J］. Machine Learning, 2014:arXiv:1406.6247.
［17］EVERINGHAM M, ESLAMI S M A, GOOL L V, et al. The Pascal visual object classes challenge: A retrospective［J］. International Journal of Computer Vision, 2015,111(1):98-136.
［18］HU J, SHEN L, SUN G, et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019: DOI: 10.1109/TPAMI.2019.2913372.

[1]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[2]	林启钊, 彭志平, 郭棉, 崔得龙. 基于双向多步预测的炉管温度场重构方法[J]. 计算机与现代化, 2024, 0(01): 53-58.
[3]	李亚平, 王军防, 余红梅, 窦一民, 肖媛, 田继林. Regformer：基于稀疏注意力的输油管道水力压降预测方法[J]. 计算机与现代化, 2024, 0(01): 59-66.
[4]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[5]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[6]	周成诚, 曾庆军, 杨康, 胡家铭, 韩春伟. 基于高效通道注意力模块的运动想象脑电识别[J]. 计算机与现代化, 2023, 0(12): 19-23.
[7]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[8]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[9]	张浩洋, 尹梓名, 乐珺怡, 沈达聪, 束翌俊, 杨自逸, 孔祥勇, 龚伟. 3D-SPRNet: 一种基于并行解码器和双注意力机制的胆囊癌分割模型[J]. 计算机与现代化, 2023, 0(12): 59-66.
[10]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[11]	宁娟, 周庆华, 曾小为. 改进YOLOv7算法在西林瓶轧盖缺陷检测中的应用[J]. 计算机与现代化, 2023, 0(12): 82-86.
[12]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[13]	罗明杰, 冯开平. 基于沙漏结构与注意力机制的轻量级人脸表情识别方法[J]. 计算机与现代化, 2023, 0(11): 89-94.
[14]	马泽宇, 叶宁, 徐康, 王甦, 王汝传, . 基于FMCW雷达和ResNeSt-GRU的行为识别方法[J]. 计算机与现代化, 2023, 0(11): 101-107.
[15]	欧嘉城, 曾安, 金亮. 基于CP-YOLOX的冷冻电镜图像蛋白质目标检测算法[J]. 计算机与现代化, 2023, 0(11): 113-119.

一种基于SSD改进的目标检测算法

A Modified Object Detection Algorithm Based on SSD

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价