一种用于小目标检测的自适应增强残差注意力方法

《Recent Advances in Computer Science and Communications》：An Adaptive Enhanced Residual Attention Method for Small Object Detection

针对小目标检测中深层特征忽略浅层特征及强相似干扰问题，本文提出AR-CenterNet方法，通过自适应增强上下文模型和残差注意力机制，有效提升小目标检测性能，并在PASCAL VOC、RSOD、KITTI数据集上验证其有效性，具有重要应用价值于智能交通领域。

　　

摘要

引言：在对象检测领域，小对象检测一直是一个具有挑战性的问题。现有的CenterNet主要关注深度特征，而忽略了浅层特征，同时还存在强相似性对象之间的干扰，这导致了对小对象的检测能力不足。为了解决这些问题，本文提出了一种基于自适应增强上下文模型和残差注意力机制的小对象检测方法AR-CenterNet。

方法：首先，为了提高特征表示能力，设计了一种自适应增强上下文模型（AEC），该模型平衡了不同尺度下浅层特征的上下文信息，并通过不同层次的卷积扩展将它们与深层特征融合在一起。此外，为了减少强干扰对象的影响，提出了RAM（残差注意力机制）模块，该模块通过引入残差注意力机制来减少周围特征的干扰，利用坐标注意力机制识别小对象特征的通道和空间属性，并通过跳跃连接保留原始特征信息。

结果与讨论：实验结果表明，AR-CenterNet在PASCAL VOC、RSOD和KITTI数据集上取得了优异的小对象检测性能。

结论：该方法在智能交通领域具有重要的应用价值。