尹震宇，樊 超1,，趙志浩1,，黃 哲1,，張飛青1,

1(中國(guó)科學(xué)院大學(xué)，北京 100049) 2(中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所，沈陽(yáng) 110168)

1 引 言

目前，目標(biāo)檢測(cè)在行人檢測(cè)[1]、智能機(jī)器人[2，3]、視頻監(jiān)控[4，5]等多方面廣泛應(yīng)用.目標(biāo)檢測(cè)已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域中重要的研究方向之一.目標(biāo)檢測(cè)需要識(shí)別圖像中指定類別范圍的目標(biāo)，并預(yù)測(cè)出目標(biāo)的具體類別和相應(yīng)位置.近年來，如何提升目標(biāo)檢測(cè)方法的性能已經(jīng)成為該領(lǐng)域的研究熱點(diǎn).早期傳統(tǒng)的目標(biāo)檢測(cè)方法大多采用特定的特征提取方式和分類器分類的方法進(jìn)行目標(biāo)檢測(cè)，但是多數(shù)方法的魯棒性和實(shí)時(shí)性都比較差.隨著2012年AlexNet[6]的嶄露頭角，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法開始迅速發(fā)展，并展現(xiàn)出了良好的魯棒性和實(shí)時(shí)性.

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法包括雙階段檢測(cè)算法和單階段檢測(cè)算法兩類.雙階段檢測(cè)算法需要生成候選區(qū)域后，再進(jìn)行目標(biāo)分類和定位.由于雙階段檢測(cè)算法生成了精度較高的候選區(qū)域，使得雙階段檢測(cè)算法的檢測(cè)精度較高，然而隨著模型復(fù)雜度的增加，算法的實(shí)時(shí)性也有一定程度地降低.典型的雙階段檢測(cè)算法包括RCNN[7]，F(xiàn)ast-RCNN[8]，F(xiàn)aster-RCNN[9]，Mask-RCNN[10]、R-FCN[11]等.單階段檢測(cè)算法直接通過回歸的方式實(shí)現(xiàn)目標(biāo)檢測(cè).典型的單階段檢測(cè)算法主要包括SSD[12]系列算法和YOLO[13]系列算法.為進(jìn)一步提高SSD算法的檢測(cè)能力，Liu W等于2017年提出了檢測(cè)精度更高的DSSD[14]算法，但是檢測(cè)速度卻有所下降.隨后RSSD[15]、FSSD[16]和DSOD[17]也對(duì)SSD進(jìn)行了相應(yīng)的改進(jìn)，一定程度上提升了檢測(cè)效果.2018年RetinaNet[18]算法在特征金字塔網(wǎng)絡(luò)[19](Feature Pyramid Network，F(xiàn)PN)的基礎(chǔ)上，通過采用新型的損失函數(shù)大幅提高了算法的檢測(cè)精度.

本文通過對(duì)SSD算法中的多尺度特征圖進(jìn)行分類再提取，提升SSD算法檢測(cè)目標(biāo)的能力.分類后的原始特征金字塔包括低層特征圖和高層特征圖兩類.在低層特征圖中設(shè)計(jì)了新的特征提取模型，增加了網(wǎng)絡(luò)深度；在高層特征圖中采用兩段反卷積的方式融合語(yǔ)義信息進(jìn)行特征提取.實(shí)驗(yàn)結(jié)果表明，本文算法相比經(jīng)典的單階段檢測(cè)算法，在檢測(cè)速度有所保證的前提下，也具有較高的檢測(cè)精度.

2 相關(guān)工作

2.1 SSD特征金字塔

SSD采用VGG16作為主干網(wǎng)絡(luò)，利用不同尺度特征圖進(jìn)行不同大小目標(biāo)的檢測(cè)，是一種單階段目標(biāo)檢測(cè)算法.不同卷積層對(duì)應(yīng)的不同 尺度特征圖形成了SSD特征金字塔，金字塔中靠近底部的特征圖用于檢測(cè)小目標(biāo)，中部的特征圖用于檢測(cè)中等目標(biāo)，靠近頂部的特征圖用于檢測(cè)大目標(biāo).用于檢測(cè)目標(biāo)的特征金字塔最底部的特征圖是原VGG16中的Conv4_3層，緊接著是VGG16中全連接層fc7層轉(zhuǎn)換成的Conv7層，后續(xù)通過相應(yīng)尺寸的卷積核和相應(yīng)的步長(zhǎng)進(jìn)行卷積，分別得到Conv8_2，Conv9_2，Conv10_2，Conv11_2層.上述6個(gè)不同尺寸的特征圖構(gòu)成了SSD特征金字塔.

SSD算法通過對(duì)特征金字塔中的不同特征圖選取不同尺度的候選框，采用回歸的方法得到目標(biāo)所屬各個(gè)類別的置信度和候選框與真實(shí)區(qū)域之間的方差.SSD特征金字塔中，靠近頂部的特征圖語(yǔ)義信息豐富、邊緣信息不足、分辨率低；而靠近底部的特征圖語(yǔ)義信息較弱，邊緣信息豐富、分辨率高.因此，SSD算法采用多尺度檢測(cè)即從底部到頂部檢測(cè)的目標(biāo)大小逐漸變大的方式能夠有效避免特征圖的缺陷.然而，在SSD模型中，真正檢測(cè)小目標(biāo)的特征圖只有最底部的Conv4_3層，且由于該層處于卷積網(wǎng)絡(luò)中的淺層導(dǎo)致其特征非線性程度不夠，因此SSD模型檢測(cè)小目標(biāo)的精確度較差.同時(shí)檢測(cè)中等目標(biāo)和大目標(biāo)的特征圖由于分辨率的降低，導(dǎo)致一定程度上的特征丟失，容易出現(xiàn)漏檢的情況.本文通過分析SSD模型中的不足，提出了針對(duì)SSD多尺度特征圖進(jìn)行分類再提取的目標(biāo)檢測(cè)算法.

2.2 反卷積及棋盤格效應(yīng)

反卷積也叫轉(zhuǎn)置卷積，是一種特殊的正向卷積.首先按照一定比例通過補(bǔ)零來擴(kuò)大輸入圖像的尺寸，接著旋轉(zhuǎn)卷積核，再進(jìn)行正向卷積.通過對(duì)特征圖進(jìn)行反卷積可以獲得更高分辨率的特征圖.然而反卷積后的特征圖并不能恢復(fù)卷積過程中丟失的特征信息，即反卷積后的特征圖與卷積前的特征圖并不完全相同.反卷積類似于其他上采樣，比如雙線性插值、最近鄰插值等方式，實(shí)現(xiàn)了圖像分辨率的提高.因此，對(duì)于SSD特征金字塔中靠近頂部的特征圖，采用反卷積的方式能夠生成分辨率更高的特征圖，將其與尺寸一致的相應(yīng)原始特征圖進(jìn)行融合，會(huì)使SSD特征金字塔中的原始特征圖融入更深層的語(yǔ)義信息.

結(jié)合反卷積的實(shí)現(xiàn)過程，不難發(fā)現(xiàn)當(dāng)反卷積次數(shù)過多時(shí)，累積的噪聲信息會(huì)越來越多.當(dāng)噪聲信息過多時(shí)，通過反卷積的方式生成的特征圖將不再有效.為了避免反卷積次數(shù)過多引發(fā)的噪聲信息累積過大的問題，本文提出了一種兩段反卷積的方式.

盡管反卷積實(shí)現(xiàn)了圖像分辨率的提高，但是很容易出現(xiàn)不均勻重疊的現(xiàn)象.當(dāng)反卷積過程中的卷積核邊長(zhǎng)無法被卷積步長(zhǎng)整除時(shí)，就會(huì)出現(xiàn)這種現(xiàn)象.實(shí)踐中，這種現(xiàn)象在神經(jīng)網(wǎng)絡(luò)中很難通過權(quán)值的學(xué)習(xí)來避免.這種重疊現(xiàn)象在二維結(jié)構(gòu)中就會(huì)形成許多棋盤狀的圖案，稱之為棋盤格效應(yīng).棋盤格效應(yīng)是一種典型的人造物現(xiàn)象，為了有效地抑制這種現(xiàn)象，本文提出了一種回流式反卷積的方式.

2.3 SENet(Squeeze-and-Excitation Networks)

SENet[20]首先對(duì)輸入特征圖進(jìn)行全局平均池化(Global Average Pooling，GAP)，得到1×1×C的特征圖，其中C為通道數(shù)目；然后經(jīng)過全連接層(Fully Connected layers，F(xiàn)C)得到1×1×(C/16)，將通道數(shù)進(jìn)行壓縮，減少計(jì)算量，全連接層后緊跟BN層和ReLU層；隨后繼續(xù)進(jìn)行全連接層恢復(fù)1×1×C的特征圖，并緊跟BN層和Sigmoid層，此時(shí)特征圖包含的C個(gè)參數(shù)，可以作為原始輸入特征圖各個(gè)通道的重要性權(quán)重；最后通過乘法逐通道加權(quán)到初始特征上，完成在通道維度上對(duì)原始特征的重新標(biāo)定.

3 本文算法

3.1 多尺度特征圖分類

3.1.1 添加Conv3_3

SSD特征金字塔中包含6個(gè)不同尺度的特征圖，通過先驗(yàn)框的設(shè)計(jì)分別用來檢測(cè)不同尺度大小的目標(biāo).多尺度特征圖先驗(yàn)框的設(shè)置包括檢測(cè)尺度、長(zhǎng)寬比和數(shù)目.Conv4_3的先驗(yàn)框尺度是單獨(dú)設(shè)置的，其他特征圖的先驗(yàn)框尺度設(shè)置遵循線性遞增的規(guī)則：

(1)

min_sizek=sk×input_size

(2)

max_sizek=sk+1×input_size

(3)

為了提高對(duì)小目標(biāo)的檢測(cè)能力，本文考慮添加新的卷積層.由于Conv3_3與檢測(cè)小目標(biāo)的Conv4_3最接近，且所檢測(cè)的目標(biāo)比Conv4_3更小，而Conv2_3相比Conv3_3距離Conv4_3較遠(yuǎn)，且由于處在更低層，特征表示不如Conv3_3.因此，本文特征金字塔中添加了Conv3_3作為最底部的特征圖，用來檢測(cè)更小尺度的目標(biāo).添加Conv3_3后的特征金字塔中各層先驗(yàn)框的設(shè)置如表1所示.本文SSD模型的圖片輸入尺寸為300×300.

3.1.2 特征圖分類

添加新的特征層Conv3_3后，對(duì)7個(gè)多尺度特征圖進(jìn)行分類，分類后的的特征金字塔如圖1所示.Conv3_3和Conv4_3被歸為一類，即低層特征圖.低層特征圖處在整個(gè)神經(jīng)網(wǎng)絡(luò)較淺層，非線性程度不夠，特征表示不足，且缺乏語(yǔ)義信息.

表1 多尺度特征圖先驗(yàn)框Table 1 Multiscale feature map prior box

然而低層特征圖邊緣信息豐富，且分辨率較高，能夠較好地保存小目標(biāo)的信息.因此低層特征圖通過適當(dāng)?shù)靥卣魈崛『竽軌蛴行z測(cè)小目標(biāo).Conv7，Conv8_2，Conv9_2，Conv10_2和Conv11_2被歸為一類，即高層特征圖.高層特征圖處于整個(gè)神經(jīng)網(wǎng)路的中部和末端，邊緣信息缺乏，分辨率較低.然而高層特征圖非線性程度較高，語(yǔ)義信息豐富，能夠有效表示中等目標(biāo)和大目標(biāo).因此高層特征圖經(jīng)過適當(dāng)上采樣提高分辨率并融合語(yǔ)義信息，能夠有效地檢測(cè)中等目標(biāo)和大目標(biāo).

圖1 多尺度特征圖分類Fig.1 Multi-scale feature maps classification

3.2 SFE模塊

為了提高低層特征圖的非線性程度，加強(qiáng)特征表示，進(jìn)而有效檢測(cè)出小目標(biāo)，本文設(shè)計(jì)了SFE模塊.SFE模塊的具體結(jié)構(gòu)圖如圖2所示.SFE模塊主要包含兩部分內(nèi)容：第1部分

圖2 SFE模塊Fig.2 SFE module

是采用不同感受野的空洞卷積進(jìn)行特征提取和特征融合；第2部分是采用SENet對(duì)不同感受野提取并融合出的新特征建立通道之間的相互依賴關(guān)系.其中，第1部分的輸出是第2部分的輸入.兩部分連接在一起組成了SFE模塊.

SFE模塊的第1部分首先對(duì)輸入的特征圖進(jìn)行1×1卷積，將通道數(shù)轉(zhuǎn)換為初始的四分之一，目的是為了減少參數(shù)量，提升模型訓(xùn)練及測(cè)試的速度.卷積完成后需要進(jìn)行BN和PReLU，獲得壓縮通道數(shù)后的特征圖.然后對(duì)壓縮通道數(shù)后的特征圖分別進(jìn)行4個(gè)不同感受野大小的空洞卷積，卷積核的有效計(jì)算參數(shù)均為3×3，stride=1，膨脹系數(shù)dilation分別設(shè)置為1，2，4，6，對(duì)應(yīng)的pad也分別設(shè)置為1，2，4，6.將空洞卷積得到的四組特征圖分別進(jìn)行BN和PReLU之后，采用級(jí)聯(lián)(Concatenate)的方式進(jìn)行特征融合，得到與初始特征圖通道數(shù)相同的新的特征圖.為彌補(bǔ)空洞卷積帶來的網(wǎng)格效應(yīng)，將新的特征圖與初始特征圖進(jìn)行各元素求和(element-wise sum)的方式進(jìn)行特征融合，得到了多個(gè)感受野下的特征提取和融合后的初步結(jié)果，并作為第2部分的輸入特征圖.SFE模塊的第2部分通過SENet完成在通道維度上對(duì)輸入特征的重新標(biāo)定，最終獲得多個(gè)感受野下的特征融合結(jié)果.

本文將低層特征圖中Conv3_3和Conv4_3，分別輸入至兩個(gè)SFE模塊，輸出得到加強(qiáng)特征表示后的特征圖，作為最終進(jìn)行檢測(cè)的特征圖.

3.3 兩段反卷積和回流式反卷積

為了提高高層特征圖的分辨率并融合更深層的語(yǔ)義信息，本文采用了兩段反卷積的方式進(jìn)行上采樣，并采用回流式反卷積的方法減弱反卷積過程中可能存在的棋盤格效應(yīng).具體的實(shí)現(xiàn)結(jié)構(gòu)圖如圖3所示.

圖3 兩段反卷積Fig.3 Deconvolution with two sections

兩段反卷積分別從Conv11_2和Conv9_2開始，分別與其低兩層的特征圖進(jìn)行融合，使得融合后的特征圖添加了來自更深層的語(yǔ)義信息.反卷積采用兩段而不是單獨(dú)一段，可以避免因?yàn)榉淳矸e次數(shù)過多而導(dǎo)致的噪聲信息過多的問題.進(jìn)行特征融合前，尺度小的特征層經(jīng)過反卷積將特征圖分辨率與待融合特征圖分辨率保持一致.特征融合首先采用級(jí)聯(lián)融合的方式，并在級(jí)聯(lián)融合后進(jìn)行1×1卷積，恢復(fù)融合前的通道數(shù)目.反卷積操作的計(jì)算公式如下：

d=s×(i-1)+k

(4)

其中，s代表步長(zhǎng)，k代表卷積核尺寸，i為輸入特征圖尺寸，d為反卷積輸出特征圖尺寸.根據(jù)反卷積操作計(jì)算公式，設(shè)計(jì)的反卷積操作參數(shù)如表2所示.

第1段反卷積中，Conv11_2直接作為檢測(cè)特征層，并進(jìn)行反卷積得到Deconv11；Comb_conv10_2是由Conv10_2和Deconv11融合得到的檢測(cè)特征層，并對(duì)其反卷積得到Deconv10；Comb_conv9_2是由Conv9_2和Deconv10融合得到的檢測(cè)特征層.

第2段反卷積中，首先對(duì)Conv9_2進(jìn)行了連續(xù)的3次反卷積，最終獲得Deconv9并與Conv8_2融合得到Comb_conv8_2作為檢測(cè)特征層；從Comb_conv8_2進(jìn)行反卷積后需要獲得尺寸為19×19的特征圖，直接進(jìn)行反卷積計(jì)算得到的參數(shù)中，卷積核尺寸k不能被步長(zhǎng)s整除(其中k=3，p=1，s=2)，因此會(huì)產(chǎn)生棋盤格效應(yīng).為了減弱棋盤格效應(yīng)，此處先將Comb_conv8_2進(jìn)行反卷積獲得尺寸為20×20的特征圖Deconv8_1，再進(jìn)行卷積獲得尺寸為19×19的特征圖Deconv8，將Deconv8與Conv7進(jìn)行特征融合得到Comb_conv7作為檢測(cè)特征層.

表2 反卷積參數(shù)Table 2 Deconvolution parameters

特征圖Deconv8的獲取過程中，先通過反卷積獲取比目標(biāo)尺寸更大的特征圖，再通過卷積進(jìn)行下采樣得到與目標(biāo)尺寸相同的特征圖的過程稱之為回流式反卷積.這種反卷積的方式與傳統(tǒng)直接采用反卷積的方式相比，有效減弱了棋盤格效應(yīng).同時(shí)與采用雙線性插值或最近鄰插值等方式先進(jìn)行上采樣，再進(jìn)行卷積實(shí)現(xiàn)下采樣的方式相比，回流式反卷積的方式計(jì)算量更少，網(wǎng)絡(luò)速度更快.

3.4 多尺度特征圖分類再提取的網(wǎng)絡(luò)結(jié)構(gòu)

本文設(shè)計(jì)了多尺度特征圖分類再提取的網(wǎng)絡(luò)結(jié)構(gòu)，其融合了上述SFE模塊和反卷積結(jié)構(gòu).如圖4所示，本文模型改進(jìn)了了SSD模型中的多尺度特征圖結(jié)構(gòu)，并保留VGG16作為主干網(wǎng)絡(luò).對(duì)SSD特征金字塔中的特征圖進(jìn)行分類后，在低層特征圖中嵌入了SFE模塊，加強(qiáng)了低層特征圖的特征表示；在高層特征圖中嵌入了兩段反卷積來融合語(yǔ)義信息，并在第2段反卷積中采用了回流式反卷積的方式減弱棋盤格效應(yīng).

圖4 多尺度特征圖分類再提取模型Fig.4 Module based on the multi-scale feature maps classification and feature extraction

4 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)硬件配置為Intel Xeon(R) CPU E5-1603 v4@2.8GHz CPU，32G運(yùn)行內(nèi)存，NVIDIA GeForce GTX 1080Ti 顯卡；實(shí)驗(yàn)的軟件環(huán)境為ubuntu18.04系統(tǒng)，采用Caffe深度學(xué)習(xí)框架，開發(fā)語(yǔ)言為Python.本文實(shí)驗(yàn)所用數(shù)據(jù)集為PASCAL VOC 數(shù)據(jù)集.使用 VOC2007 和 VOC2012 數(shù)據(jù)集進(jìn)行訓(xùn)練，數(shù)據(jù)集共包括20個(gè)類別.測(cè)試集為VOC2007數(shù)據(jù)集中的測(cè)試數(shù)據(jù).

4.1 訓(xùn)練與實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)設(shè)置模型的輸入圖像分辨率為300×300，Batch size設(shè)為32.模型訓(xùn)練策略基本采用了SSD的策略，包括數(shù)據(jù)增強(qiáng)、難例挖掘、先驗(yàn)框尺度及比例設(shè)置以及損失函數(shù)等.優(yōu)化算法采用了隨機(jī)梯度下降法SGD(Stochastic Gradient Descent).針對(duì)訓(xùn)練過程中的學(xué)習(xí)率大小，訓(xùn)練過程經(jīng)過多次調(diào)整，得到了最優(yōu)的學(xué)習(xí)率變化方案.以PASCAL VOC 數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試的模型，基本都以mAP(mean average precision)作為衡量精度的指標(biāo)，并且IoU(Intersection over Union)閾值統(tǒng)一設(shè)為0.5.實(shí)驗(yàn)共生成了兩種IoU閾值下的模型.第1種是將IoU閾值設(shè)為0.4，以VGG作為預(yù)訓(xùn)練模型，得到了mAP值為82.1的模型；第2種以第1種生成的模型作為預(yù)訓(xùn)練模型，并修改IoU閾值為0.5，得到了mAP值為79.6的模型.設(shè)置的初始學(xué)習(xí)率為2.5×10-3，初始學(xué)習(xí)率衰減因子為0.2，分別在10000次、25000次和35000次進(jìn)行學(xué)習(xí)率調(diào)整，其對(duì)應(yīng)的學(xué)習(xí)率分別為5×10-4、1×10-4和2×10-5.隨后調(diào)整學(xué)習(xí)率衰減，在50000次和60000次分別以1×10-5和1×10-6的學(xué)習(xí)率進(jìn)行訓(xùn)練.最終總共迭代65000次.將本文模型與傳統(tǒng)的SSD算法和DSSD算法進(jìn)行對(duì)比，得到的mAP值及各類對(duì)應(yīng)的AP值的結(jié)果如表3所示.其中SSD300*是SSD300經(jīng)過數(shù)據(jù)增強(qiáng)后更新的結(jié)果.

從檢測(cè)結(jié)果的對(duì)比情況，可以看出本文提出的算法相比SSD算法，所有類別的AP值均有提升；相比DSSD算法，大多數(shù)類別的AP值也獲得了提升.本文算法的mAP值也是3個(gè)算法中的最優(yōu)結(jié)果，相比傳統(tǒng)的SSD算法，提升了2.4%.

表3 不同算法各個(gè)類別目標(biāo)檢測(cè)精度對(duì)比結(jié)果Table 3 Comparison results of object detection accuracy in different categories of different algorithms

此外，為了更準(zhǔn)確地衡量本文算法模型的整體性能，增加了FPS(frames per second)作為新的衡量指標(biāo)，用于衡量模型的檢測(cè)速率.同時(shí)選取了一些與本文算法輸入尺度差別不大且均在VOC2007 測(cè)試集上測(cè)試結(jié)果較好的單階段目標(biāo)檢測(cè)算法作為對(duì)比對(duì)象.對(duì)比結(jié)果如表4所示.

圖5是目前具有代表性的單階段目標(biāo)檢測(cè)算法檢測(cè)性能對(duì)比圖.這些算法的訓(xùn)練數(shù)據(jù)集與本文算法相同，均是VOC2007和VOC2012數(shù)據(jù)集，測(cè)試集也均采用了VOC2007數(shù)據(jù)集.圖中橫坐標(biāo)是FPS，代表每秒鐘檢測(cè)的圖片數(shù)目.FPS值反映了當(dāng)前算法在本文實(shí)驗(yàn)環(huán)境下的檢測(cè)速度.圖中縱坐標(biāo)是mAP，代表了算法的檢測(cè)精度.根據(jù)圖5可以得到，本文算法相比SSD算法，由于模型參數(shù)變多，結(jié)構(gòu)更為復(fù)雜，導(dǎo)致

表4 在VOC2007測(cè)試集上的測(cè)試結(jié)果Table 4 Test results on VOC2007 test dataset

圖5 算法速度精度對(duì)比圖Fig.5 Algorithm FPS and mAP comparison chart

圖6 檢測(cè)結(jié)果對(duì)比Fig.6 Comparison of test results

檢測(cè)速度有所下降，但是模型的檢測(cè)精度卻提升了2.4%；同時(shí)本文算法相比其他算法，精度僅低于Retinanet500，然而檢測(cè)速度卻比Retinanet500快不少，且Retinanet的輸入圖片尺寸明顯更大，一定程度上也使得mAP值更大.本文算法與YOLOv3-320算法相比，檢測(cè)速度略慢，檢測(cè)精度相同.然而YOLOv3-320輸入圖片尺寸更大，導(dǎo)致目標(biāo)尤其是小目標(biāo)分辨率更高，更易于檢測(cè).當(dāng)輸入圖片尺寸下降到與本文算法一致時(shí)，理論上其mAP值也會(huì)有所下降，即本文算法的檢測(cè)精度略優(yōu).

4.2 檢測(cè)效果對(duì)比展示

為了更為直觀地展示本文算法相比SSD算法的性能提升，圖6給出了兩種算法在3張測(cè)試集圖片上的檢測(cè)效果圖.其中左側(cè)為SSD算法的識(shí)別結(jié)果，右側(cè)為本文算法的識(shí)別結(jié)果.圖6(a)中可以看出，本文算法可以識(shí)別出SSD算法漏檢的部分目標(biāo)；圖6(b)中可以看出，對(duì)于有遮擋的目標(biāo)和部分小目標(biāo)，本文算法比SSD算法識(shí)別效果更好；圖6(c)中可以看出，本文算法不僅可以識(shí)別出SSD漏檢的部分目標(biāo)，同時(shí)也能修正SSD誤檢的部分目標(biāo)，獲得正確的目標(biāo)類別.總之，本文算法相比SSD算法，對(duì)于目標(biāo)類別的識(shí)別更為精確，且對(duì)目標(biāo)給出了準(zhǔn)確的定位，同時(shí)在部分復(fù)雜場(chǎng)景下，避免了SSD算法出現(xiàn)的漏檢和誤檢問題.

5 結(jié)束語(yǔ)

為提高傳統(tǒng)SSD算法目標(biāo)檢測(cè)的性能，提出了一種對(duì)多尺度特征圖進(jìn)行分類再提取的目標(biāo)檢測(cè)算法.算法將多尺度特征圖分為低層和高層兩類特征圖.低層特征圖中采用設(shè)計(jì)的SFE模塊進(jìn)一步提取特征；高層特征圖中采用設(shè)計(jì)的兩段反卷積進(jìn)行語(yǔ)義信息融合，并采用設(shè)計(jì)的回流式反卷積減弱棋盤格效應(yīng).實(shí)驗(yàn)結(jié)果表明，本文算法相比經(jīng)典的SSD系列算法，精度優(yōu)勢(shì)明顯；相比YOLO系列算法，性能與目前最新的YOLOv3相比，檢測(cè)精度也略有優(yōu)勢(shì).同時(shí)本文提出的SFE特征提取模塊和回流式反卷積的方法有較好的移植性，可以在一定程度上提升其他算法的性能.下一步將針對(duì)算法中部分模塊的移植性進(jìn)行研究，將其應(yīng)用于更多的算法上；同時(shí)將進(jìn)行算法模型的進(jìn)一步簡(jiǎn)化，特別是SFE模塊中參數(shù)量的進(jìn)一步減少，從而提升算法的檢測(cè)速度.