四川
编者荐语
本文提出了一种创新的网络架构。该架构通过引入高可能性区域推荐网络，有效筛选锚点区域，显著提升了处理速度，减少了资源浪费。同时，融合视觉几何组16层网络的多层特征信息，强化了特征表达，成功解决了小目标检测难题。
周楝淞 , 邵发明 , 杨洁 , 等 . 基于区域预推荐和特征富集的SOD R-CNN 交通标志检测网络[J]. 信息安全与通信保密 ,2024(10):115-126.
摘 要
基于区域的快速卷积神经网络存在资源的浪费和无法有效应对小目标检测的问题，提出基于高可能性区域推荐网络及特征富集的区域的小目标检测卷积神经网络架构。首先，采用区域推荐网络对锚点区域进行筛选，节约分类阶段的处理时间，提高了系统的处理速度。其次，为了解决无法有效检测小目标的问题，提出了融合视觉几何组16层网络的第三、第四、第五层特征信息的方法来强化特征表达的策略。最后，提出次要感兴趣区域的概念，将交通标志的上下文信息融合到目标特征表达中。这些策略提高了目标检测的准确率和速度。
论文结构
0 引 言
1 SOD R-CNN方法框架
2 深度特征融合策略
3 次要感兴趣区域策略
4 算法实验分析
4.1 实验平台
4.2 HP-RPN的性能分析
4.3 算法总体速度和准确率验证
5 结 语
作者简介
- 周楝淞（1979—），男，硕士，高级工程师，主要研究方向为信息安全、可信计算和人工智能；
- 邵发明（1978—），男，博士，副教授，主要研究方向为信息安全和人工智能；
- 杨 洁（1980—），女，硕士，高级工程师，主要研究方向为网络安全；
- 彭泓力（1994—），男，硕士，工程师，主要研究方向为人工智能和可信计算；
- 李赛野（1989—），男，硕士，工程师，主要研究方向为可信计算；
- 孙夏声（1984—），男，硕士，工程师，主要研究方向为可信计算和身份认证。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
