基于自适应Token池化与集合预测增强的目标检测

作     者：刘耀 陈东方 王晓峰 LIU Yao;CHEN Dong-Fang;WANG Xiao-Feng

作者机构：武汉科技大学计算机科学与技术学院武汉430081 

基　　金：湖北省教育厅科学研究计划重点项目(D20211106) 

出 版 物：《计算机系统应用》 (Computer Systems & Applications)

年 卷 期：2025年第34卷第2期

页      码：74-83页

摘      要：基于Transformer的目标检测算法往往存在着精度不足,收敛速度慢的问题.许多研究针对这些问题进行改进,取得了一定的成果.但是这些研究大都忽视了Transformer结构应用于目标检测领域时存在的两个不足之处.首先,自注意力运算结果缺乏多样性.其次,因集合预测难度大,使得模型在匹配目标的过程中表现不稳定.为了弥补上述缺陷,首先设计了自适应token池化模块,增加自注意力权重的多样性.其次,设计了一种基于粗预测的锚框定位模块,并利用该模块为查询提供位置先验信息,从而提高二分图匹配过程的稳定性.最后,设计了基于组的去噪任务,通过训练模型对位于目标附近的正负查询进行区分,从而提高模型进行集合预测的能力.实验结果表明,本文提出的改进算法在COCO数据集上取得了较好的训练结果.与基线模型相比,改进算法在检测精度与收敛速度上有较大提升.

主 题 词：目标检测 query初始化方式 自注意力 训练策略 

学科分类：08[工学] 0812[工学-测绘类] 

D　O　I：10.15888/j.cnki.csa.009765

馆 藏 号：203156341...