Resumen

Para aliviar el problema de la variación de escala en la detección de objetos, se han desarrollado muchas redes de pirámides de características. En este trabajo, nos replanteamos los problemas existentes en los métodos actuales y diseñamos un módulo más eficaz para la fusión de características, denominado módulo de fusión de características multiflujo (MF3M). En primer lugar, construimos módulos de puerta y múltiples flujos de información en el MF3M para evitar la redundancia de información y mejorar la integridad y la precisión de la transferencia de información entre los mapas de características. Además, para reducir la discrepancia entre la clasificación y la regresión en la detección de objetos, se propone en este estudio una convolución deformable modificada que se denomina convolución adaptativa a la tarea (TaConv). Se prevén diferentes desplazamientos y máscaras para lograr el desentrañamiento de las características para la clasificación y la regresión en TaConv. Integrando los dos diseños anteriores, construimos una novedosa red de pirámide de características con fusión y desenredo de características (FFAD) que puede mitigar la desalineación de escala y la desalineación de tareas simultáneamente. Los resultados experimentales muestran que FFAD puede mejorar el rendimiento en la mayoría de los modelos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red de pirámide de características, detección de objetos, llamadas características multiflujo, desenredo de características, convolución deformable modificada, módulo de fusión de características, precisión de la información, discrepancias de clasificación, problema de variación de escala, desalineación de escala
• Keywords:features pyramid network, object detection, called multiflow features, disentanglement of features, modified deformable convolution, features fusion module, accuracy of information, discrepancies of classification, scale variation problem, scale misalignment