抗锯齿无锚框目标检测模型.pdfVIP

第４２卷第１期计算机应用与软件Ｖｏｌ４２Ｎｏ．１

２０２５年１月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＪａｎ．２０２５

抗锯齿无锚框目标检测模型

１１，２１

冉梦影杨文柱尹群杰

１（河北大学网络空间安全与计算机学院河北保定０７１００２）

２（河北省机器视觉工程研究中心河北保定０７１００２）

摘要为了提升无锚框目标检测模型对物体多尺度检测性能，并实现检测速度与精度的最佳折中，提出一种

具有抗锯齿能力的无锚框目标检测模型。下采样操作中，使用分组自适应低通滤波器解决网络中存在的锯齿问

题；并联不同空洞率的空洞卷积进行多尺度特征融合，扩大神经元感受野范围。防止在模型训练过程中破坏网络

参数，对损失函数进行实验讨论，替换为ｓｍｏｏｔｈＬ１Ｌｏｓｓ函数。实验结果表明，在ＰＡＳＣＡＬＶＯＣ数据集上ｍＡＰ指

标达到了８２．１％，ＦＰＳ达到了３２，与ＣｅｎｔｅｒＮｅｔＲｅｓＮｅｔ１０１相比，ｍＡＰ提升了４．３％，ＦＰＳ提升了１８．５％。

关键词目标检测无锚框锯齿问题空洞卷积损失函数

中图分类号ＴＵ３０１．１ＴＰ３文献标志码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０２５．０１．０１７

ＡＮＴＩＡＬＩＡＳＩＮＧＡＮＣＨＯＲＦＲＥＥＯＢＪＥＣＴＤＥＴＥＣＴＯＲ

１１，２１

ＲａｎＭｅｎｇｙｉｎｇＹａｎｇＷｅｎｚｈｕＹｉｎＱｕｎｊｉｅ

１（ＣｏｌｌｅｇｅｏｆＣｙｂｅｒＳｅｃｕｒｉｔｙａｎｄＣｏｍｐｕｔｅｒ，ＨｅｂｅｉＵｎｉｖｅｒｓｉｔｙ，Ｂａｏｄｉｎｇ０７１００２，Ｈｅｂｅｉ，Ｃｈｉｎａ）

２（ＨｅｂｅｉＭａｃｈｉｎｅＶｉｓｉｏｎＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒ，Ｂａｏｄｉｎｇ０７１００２，Ｈｅｂｅｉ，Ｃｈｉｎａ）

ＡｂｓｔｒａｃｔＩｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｍｕｌｔｉｓｃａｌｅｄｅｔｅｃｔｉｏｎａｂｉｌｉｔｙｏｆａｎｃｈｏｒｆｒｅｅｏｂｊｅｃｔｄｅｔｅｃｔｏｒｓａｎｄａｃｈｉｅｖｅｔｈｅｂｅｓｔ

ｃｏｍｐｒｏｍｉｓｅｂｅｔｗｅｅｎｄｅｔｅｃｔｉｏｎｓｐｅｅｄａｎｄａｃｃｕｒａｃｙ，ａｎｅｗａｎｃｈｏｒｆｒｅｅｏｂｊｅｃｔｄｅｔｅｃｔｏｒｗｉｔｈａｎｔｉａｌｉａｓｉｎｇａｂｉｌｉｔｙｉｓ

ｐｒｏｐｏｓｅｄ．Ｉｎｔｈｅｐｒｏｃｅｓｓｏｆｄｏｗｎｓａｍｐｌｉｎｇ，ｔｈｅｇｒｏｕｐｅｄｌｏｗｐａｓｓｆｉｌｔｅｒｓｗｅｒｅｕｓｅｄｔｏｐｒｅｖｅｎｔａｌｉａｓｉｎｇｉｎｔｈｅｎｅｔｗｏｒｋ，ｓｏ

ａｓｔｏｉｍｐｒｏｖｅｔｈｅｒｏｂｕｓｔｎｅｓｓｏｆｔｈｅｍｏｄｅｌ．Ｔｈｅａｔｒｏｕｓｃｏｎｖｏｌｕｔｉｏｎｓｗｉｔｈｄｉｆｆｅｒｅｎｔａｔｒｏｕｓｒａｔｅｓｗｅｒｅｕｓｅｄｔｏｆｕｓｅｔｈｅｍｕｌｔｉ

ｓｃａｌｅｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｏｂｊｅｃｔｓａｎｄｅｘｐａｎｄｔｈｅｒｅｃｅｐｔｉｖｅｆｉｅｌｄｏｆｔｈｅｎｅｕｒｏｎｓ．Ｔｈｅｎｅｔｗｏｒｋｐａｒａｍｅｔｅｒｓｗｅｒｅｐｒｅｖｅｎｔｅｄ

ｆｒｏｍｂｅｉｎｇｄｅｓｔｒｏｙｅｄｉｎｔｈｅｐｒｏｃｅｓｓｏｆｍｏｄｅｌｔｒａｉｎｉｎｇ，ａｎｄａｂｅｔｔｅｒｔｒａｉｎｉｎｇｍｏｄｅｌｗａｓｏｂｔａｉｎｅｄｂｙｕｓｉｎｇｓｍｏｏｔｈＬ１Ｌｏｓｓ

ｆｕｎｃｔｉｏｎ．ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｏｎＰａｓｃａｌＶＯＣｄａｔａｓｅｔｓ，ｔｈｅｍＡＰｒｅａｃｈｅｓ８２．１％，ａｎｄＦＰＳｒｅａｃｈｅｓ３２．

ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅＣｅｎｔｅｒＮｅｔｍｏｄｅｌ，ｔｈｅａｃｃｕｒａｃｙａｎｄｓｐｅｅｄｏｆｔｈｅｍｏｄｅｌａｒｅｉｍｐｒｏｖｅｄ．ＴｈｅｍＡＰａｎｄＦＰＳａｒｅ

ｉｍｐｒｏｖｅｄｂｙ４．３％ａｎｄ１８．