Resumen

El algoritmo de detección de objetos existente basado en la red neuronal convolucional profunda necesita llevar a cabo operaciones de convolución y agrupación multinivel en toda la imagen para extraer características semánticas profundas de la imagen. Los modelos de detección pueden obtener mejores resultados para objetos grandes. Sin embargo, estos modelos fallan al detectar objetos pequeños que tienen baja resolución y están fuertemente influenciados por el ruido porque las características después de las operaciones de convolución repetidas de los modelos existentes no representan completamente las características esenciales de los objetos pequeños. En este artículo, podemos lograr una buena precisión de detección extrayendo las características en diferentes niveles de convolución del objeto y utilizando las características multiescala para detectar objetos pequeños. Para nuestro modelo de detección, extraemos las características de la imagen de sus terceras, cuartas y quintas convoluciones, respectivamente, y luego estas tres escalas de características se concatenan en un vector unidimensional. El vector se utiliza para clasificar objetos mediante clasificadores y ubicar la información de posición de los objetos mediante la regresión del cu

• Materias:Comunicación inalámbrica Sistema de monitoreo Canales Integridad de datos Programador de datos
• Subjects:Wireless communication Monitoring system Channels Data integrity Data scheduler
• Palabras claves:Algoritmo de detección; Red neuronal convolucional profunda; Objetos pequeños; Características; Precisión de detección; Características multiescala
• Keywords:Detection algorithm; Deep convolution neural network; Small objects; Features; Detection accuracy; Multiscale features