基于并行附加特征提取网络的SSD地面小目标检测模型

李宝奇; 贺昱曜; 强伟; 何灵蛟

doi:10.3969/j.issn.0372-2112.2020.01.010

您当前的位置：

首页 >

文章列表页 >

基于并行附加特征提取网络的SSD地面小目标检测模型

学术论文 | 更新时间：2025-07-08

- 基于并行附加特征提取网络的SSD地面小目标检测模型
- SSD with Parallel Additional Feature Extraction Network for Ground Small Target Detection
- 电子学报 2020年48卷第1期页码：84-91
- 作者机构：
  
  西北工业大学航海学院,陕西,西安,710072
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61271143）
- DOI：10.3969/j.issn.0372-2112.2020.01.010
  中图分类号： TP183
- 网络出版：2020-01-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
李宝奇, 贺昱曜, 强伟, 等. 基于并行附加特征提取网络的SSD地面小目标检测模型[J]. 电子学报, 2020,48(1):84-91.

SSD with Parallel Additional Feature Extraction Network for Ground Small Target Detection[J]. Acta Electronica Sinica, 2020, 48(1): 84-91.
李宝奇, 贺昱曜, 强伟, 等. 基于并行附加特征提取网络的SSD地面小目标检测模型[J]. 电子学报, 2020,48(1):84-91. DOI： 10.3969/j.issn.0372-2112.2020.01.010.

SSD with Parallel Additional Feature Extraction Network for Ground Small Target Detection[J]. Acta Electronica Sinica, 2020, 48(1): 84-91. DOI： 10.3969/j.issn.0372-2112.2020.01.010.

摘要

针对SSD原始附加特征提取网络（Original Additional Feature Extraction Network，OAFEN）中stride操作造成图像小目标信息丢失和串联结构产生的多尺度特征之间冗余度较大的问题，提出了一种计算量小、感受野大的深度可分离空洞卷积（Depthwise Separable Dilated Convolution，DSDC），并利用DSDC设计了一个包含三个独立子网络的并行附加特征提取网络（Parallel Additional Feature Extraction Network，PAFEN）.PAFEN上路用两个DSDC提取尺寸为19*19和3*3的特征图；中路用一个DSDC提取尺寸为10*10的特征图；下路用两个DSDC提取尺寸为5*5和1*1的特征图.实验结果表明，在SSD框架内，PAFEN在mAP和检测时间等方面均优于OAFEN，适用于地面小目标的检测任务.

Abstract

Aiming at the problems of small target information loss caused by stride operation and large redundancy among multi-scale feature maps generated by serial structure in original additional feature extraction network (OAFEN) of SSD

a depthwise separable dilated convolution (DSDC) with small computation and large field of receptivity is proposed; then a parallel additional feature extraction network (PAFEN) with three independent subnetworks is designed by using five DSDCs. In upper subnetwork of PAFEN

two DSDCs are used to extract 19*19 and 3*3 feature maps. In intermediate subnetwork of PAFEN

one DSDC is used to extract 10*10 feature maps.In lower subnetwork of PAFEN

two DSDCs are used to extract 5*5 and 1*1 feature maps. The experimental results show that within the framework of SSD

PAFEN is superior to OAFEN in terms of mAP and detection time

and is suitable for ground small target detection tasks.

关键词

Keywords

references

浏览量

172

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

跨模态渐进式知识迁移SAR目标检测技术

基于跨层注意力特征交互和多尺度通道注意力的单幅图像去雾网络

一种基于改进CRNN的轻量化乐谱识别方法

面向遥感目标检测的无锚框Transformer算法

基于级联式逆残差网络的遥感图像轻量目标检测算法