基于雙路多尺度金字塔池化模型的顯著目標檢測算法

馬少斌，張成文

（1.蘭州文理學院 數字媒體學院,甘肅 蘭州730010；2.蘭州文理學院VR 技術研發與推廣中心,甘肅 蘭州730010）

引言

為了提升裝甲車輛自動化與智能化的能力，早期的科研人員在有限硬件資源的情況下開展目標輔助識別功能研制[1]。然而，目標所在的地面背景極其復雜，其適應性并不理想。隨著信號處理技術的發展，淺層機器學習算法提升了復雜環境下目標檢測的適應性，使得復雜環境下目標檢測應用成為可能。Chen 等人通過人工設計特征描述子提取目標特征，然后通過聚類分析確定初始目標區域，并利用多尺度搜索準確檢測出目標[2]。雖然淺層機器學習算法提升了目標檢測應用的準確度，并已經應用于簡單背景中的目標檢測任務，但并不具備完成復雜環境使用任務。

近年來，隨著智能硬件性能的提升以及海量數據集的構建，國內外學者對深度網絡模型進行了大量研究，并在特定領域取得了突破性進展。海軍航空大學顧佼佼博士在前景分離算法的基礎上采用Faster R-CNN 對全景圖像進行艦船目標檢測[3]，有助于提升檢測與分類性能，但該模型直接用于陸戰環境的目標檢測概率較低。為了提升復雜陸戰環境下裝甲目標的檢測精度，本文提出了一種雙路多尺度網絡模型，該模型在空間金字塔池化的基礎上，增加了聯合金字塔上采樣,增強弱小目標的高分辨率特征映射能力。

1 雙路多尺度金字塔池化模型

眾所周知，深度網絡在逐層迭代優化時容易造成細節丟失，輪廓演化不足，使目標檢測結果無法準確定位目標[4]。……