基于级联卷积神经网络的高效目标检测方法

宋云博，陈冬艳，郝 赟，付先平

大连海事大学 信息科学技术学院，辽宁 大连116026

深度学习作为机器学习的一个重要分支，在自然语言处理、语音识别、计算机视觉等方面的应用越来越广，这给人们的工作和生活带来极大的便捷。目标检测作为计算视觉的一个研究领域，在人脸识别、无人驾驶等领域有着非常重要的作用。传统的目标检测算法依赖人工提取特征并受环境和背景的影响，使得特征提取网络的位置信息模糊，获取的特征可移植性差导致目标检测的准确率和精度过低。目前的目标检测算法主要分为两大类：一种是基于回归的目标检测算法，该算法直接产生物体分类的概率和边界框坐标完成对图片中目标的检测任务；另一种是基于候选区域的目标检测算法，该算法将检测分为两步，首先生成候选区域，然后对候选区域进行分类和位置的回归，以达到较高精度的检测。这两种算法都是根据交并比（IOU）的大小判断正负样本，但一般设置比较低的IOU阈值会得到过多的噪声样本，使训练的检测器识别能力偏低，从而影响整个网络的检测精度；设置高的IOU阈值又会过滤掉过多中等质量的样本，只保留少量的高质量样本，从而产生过拟合现象；并且，推荐区域IOU阈值和检测器使用的IOU阈值相差较大会造成质量不匹配的问题。在此背景下提出高精度的目标检测算法进而提升无人驾驶等设备的可靠性迫在眉睫。因此，本文提出了一种基于平行级联网络的目标检测算法，该算法利用平行级联架构的网络解决了检测器和推荐区域IOU阈值不同导致质量失配的问题，以及过拟合的问题。……