文献

J-GLOBAL ID：202002261178212926   整理番号：20A0901765

DF-SSD:高密度と特徴融合に基づく改良SSDオブジェクト検出アルゴリズム【JST・京大機械翻訳】

DF-SSD: An Improved SSD Object Detection Algorithm Based on DenseNet and Feature Fusion

著者 (4件)： Zhai Sheping (School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an, China) ,  Shang Dingrong (School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an, China) ,  Wang Shuhuan (School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an, China) ,  Dong Susu (School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 24344-24357  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 単一ホットマルチボックス検出器(SSD)の特徴層と小オブジェクトのSSDの弱い検出能力の間の特徴相補性の欠如の観点から,著者らは,Dense Convolution Network(DenseNet)に基づく改良SSDオブジェクト検出アルゴリズムとDF-SSDと呼ばれる特徴融合を提案した。SSDに基づいて,著者らは,DeneNetの密な接続に対して参照して特徴抽出ネットワークDenseNet-S-32-1を設計し,モデルの特徴抽出能力を強化するために,SSDの元のバックボーンネットワークVGG-16をDenseNet-S-32-1と置き換えた。マルチスケール検出の一部において,マルチスケール特徴層の融合機構を導入して,ネットワーク構造における低レベル視覚特徴と高レベル意味的特徴を有機的に結合した。最後に,モデル性能をさらに改善するために,オブジェクト予測の前に残留ブロックを確立した。スクラッチからDF-SSDモデルを訓練した。実験結果は,300の300入力を有する著者らのモデルDF-SSDが,PASCALVOC2007,VOC2012,およびMS COCOデータセットに関して,それぞれ81.4%mAP,79.0%mAP,および29.5%mAPを達成することを示した。SSDと比較して,VOC2007に関するDF-SSDの検出精度は,3.1%mAPによって改良した。DF-SSDは,SSDに対して1/2のパラメータだけを必要とし,FasterRCNNに対して1/9のパラメータを必要とする。著者らは,より多くの意味情報をDF-SSDに注入して,それは,それを特定の関係によって小さな対象物と対象物に関して進歩した検出影響を持った。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  特徴抽出 ,  基幹回線 ,  ネットワーク構造 ,  検出器 ,  相補性
準シソーラス用語： マルチスケール ,  高密度 ,  検出精度 ,  *検出アルゴリズム ,  スクラッチ ,  *特徴融合 ,  視覚顕著 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： DF ,  SSD ,  特徴融合 ,  オブジェクト ,  検出アルゴリズム