基于双头Faster R-CNN的周界入侵行人检测研究
陈树骏
通号通信信息集团有限公司 北京 100000
摘要：针对双阶段检测模型在分类和边界框回归任务上存在不足,无法充分发挥检测模型性能问题,对Faster R-CNN进行改进,提出双头Faster R-CNN检测模型.首先,利用骨干网络和特征金字塔网络(feature pyramid networks,FPN)得到多尺度特征图,然后,将多尺度特征图送入区域建议网络(region proposal network,RPN),最后,利用Double Head使全连接头更加关注分类任务,卷积头更加关注回归任务,提升检测模型性能.实验结果表明,文章所提出的模型可以显著提高行人检测的性能.在COCOPersons数据集上的检测精度能达到 55.2 AP,相比基于FPN的Faster R-CNN在大、中、小三个尺度下的行人检测平均精度(average precision,AP)分别有 0.9、1.7、3.6个点的显著提升.
关键词：卷积神经网络双头Faster R-CNN深度学习周界入侵行人检测
论文发表日期：2023-06-28
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 29-32 )