毛峰 凌永標(biāo) 郭尹 江志強(qiáng) 耿浩 任佳銳

摘要：針對(duì)電力安全施工中施工人員著裝不規(guī)范問(wèn)題，筆者采用智能視覺(jué)計(jì)算中的目標(biāo)檢測(cè)技術(shù)，對(duì)施工人員是否佩戴安全帽以及穿著工作服是否規(guī)范的情況進(jìn)行自動(dòng)檢測(cè)，提出一種基于多尺度注意力網(wǎng)絡(luò)（MAR-CNN）的著裝不規(guī)范檢測(cè)方法。該方法針對(duì)安全帽及著裝等目標(biāo)大小不一的多尺度特性，在Faster R-CNN網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合了特征金字塔（FPN）思想，設(shè)計(jì)了多尺度注意力（MA）網(wǎng)絡(luò)模塊。此外，該注意力機(jī)制可以有效抑制背景特征，增強(qiáng)檢測(cè)對(duì)象的特征，有效緩解施工現(xiàn)場(chǎng)背景復(fù)雜帶來(lái)的錯(cuò)檢漏檢現(xiàn)象。在電網(wǎng)施工現(xiàn)場(chǎng)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明筆者所提方法具有有效性。

關(guān)鍵詞：目標(biāo)檢測(cè);著裝檢測(cè);電力安全;多尺度網(wǎng)絡(luò);注意力機(jī)制

中圖分類號(hào)：TP381? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）21-0004-04

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

電力建設(shè)施工具有工人多、工作內(nèi)容繁多和危險(xiǎn)系數(shù)大等特點(diǎn)，因此為了保障現(xiàn)場(chǎng)人員的人身安全及預(yù)防危險(xiǎn)，佩戴安全帽及安全著裝顯得尤為重要。然而，存在有小部分施工人員防范意識(shí)薄弱，經(jīng)常不戴安全帽或未規(guī)范著裝進(jìn)入施工現(xiàn)場(chǎng)，更有甚者在施工過(guò)程中摘除安全帽和脫掉工作服，給電力施工建設(shè)帶來(lái)危險(xiǎn)。電網(wǎng)安全施工監(jiān)管急需對(duì)施工全過(guò)程中工人不規(guī)范著裝進(jìn)行自動(dòng)化檢測(cè)和報(bào)警的解決方案。

隨著人工智能深度學(xué)習(xí)的發(fā)展，計(jì)算機(jī)視覺(jué)的研究廣泛應(yīng)用于智能視頻監(jiān)控、機(jī)器人導(dǎo)航、工業(yè)檢測(cè)、智慧醫(yī)療等諸多領(lǐng)域，通過(guò)相關(guān)技術(shù)的應(yīng)用可以有效減少對(duì)人力資源的消耗，具有重要的現(xiàn)實(shí)意義。目標(biāo)檢測(cè)正是計(jì)算機(jī)視覺(jué)的一個(gè)熱門方向。筆者利用目標(biāo)檢測(cè)技術(shù)對(duì)施工現(xiàn)場(chǎng)工人的一些不規(guī)范著裝進(jìn)行全程自動(dòng)化地檢測(cè)，可以有效地提升智能電網(wǎng)現(xiàn)場(chǎng)作業(yè)安全管控的能力。

為了實(shí)現(xiàn)電力施工人員著裝不規(guī)范的自動(dòng)化檢測(cè)，筆者收集并標(biāo)注了一批電力施工現(xiàn)場(chǎng)的工人規(guī)范著裝與不規(guī)范著裝的數(shù)據(jù)集。圖1展示了一對(duì)電力施工人員著裝規(guī)范與不規(guī)范的示例。筆者標(biāo)注施工人員安全帽正常佩戴和未佩戴、工作服穿戴規(guī)范和不規(guī)范這幾種典型類別，其中“aqm”表示安全帽正常佩戴，“aqmqs”表示安全帽未佩戴，“gzf”表示工作服穿戴規(guī)范，“gzfyc”表示工作服穿戴不規(guī)范。

筆者提出一種基于多尺度注意力網(wǎng)絡(luò)（MAR-CNN）的著裝不規(guī)范檢測(cè)方法。該方法針對(duì)安全帽及著裝等目標(biāo)大小不一的多尺度特性，在Faster R-CNN網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合了特征金字塔（FPN）思想，設(shè)計(jì)了多尺度注意力（MA）網(wǎng)絡(luò)模塊。此外，該注意力機(jī)制可以有效抑制背景特征，增強(qiáng)檢測(cè)對(duì)象的特征，有效緩解施工現(xiàn)場(chǎng)背景復(fù)雜帶來(lái)的錯(cuò)檢漏檢現(xiàn)象。

1 相關(guān)工作

1.1 經(jīng)典的目標(biāo)檢測(cè)網(wǎng)絡(luò)

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)中的一個(gè)重要任務(wù)，近年來(lái)得到了廣泛的研究。目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架主要分為兩大類：一類是兩階段目標(biāo)檢測(cè)算法，這類算法以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)R-CNN[1]為代表;另一類是單階段目標(biāo)檢測(cè)算法，以SSD[4]等為代表，從回歸的角度出發(fā)，研究目標(biāo)檢測(cè)問(wèn)題。而兩階段目標(biāo)算法是一種將目標(biāo)檢測(cè)統(tǒng)一為區(qū)域建議加分類器的框架，即將檢測(cè)任務(wù)分為回歸任務(wù)和分類任務(wù)。一般來(lái)說(shuō)，兩階段目標(biāo)算法在許多公共基準(zhǔn)數(shù)據(jù)集上可以獲得更好的檢測(cè)性能。

Ross Girshick等人將候選區(qū)域[5]與CNN結(jié)合起來(lái)，提出一種目標(biāo)檢測(cè)算法R-CNN[1]。R-CNN利用了Selective Search[6] 獲得候選區(qū)域，之后對(duì)候選區(qū)域的大小進(jìn)行處理后，進(jìn)行特征提取，再使用分類器判別是否屬于特定的類別。對(duì)于選定的候選框，使用回歸器進(jìn)一步調(diào)整邊界位置。而Fast R-CNN[2]將R-CNN的多個(gè)步驟整合在一起，對(duì)于候選區(qū)域的提取仍然使用的是Selective Search算法。Faster R-CNN[3]主要是通過(guò)使用RPN網(wǎng)絡(luò)代替Selective Search算法，RPN網(wǎng)絡(luò)通過(guò)在特征圖上做滑窗操作，使用預(yù)定義好尺度的錨框映射到原圖，得到候選區(qū)域，實(shí)現(xiàn)端到端的目標(biāo)檢測(cè)。Cascade R-CNN[7]提出一種multi-stage的網(wǎng)絡(luò)，利用前一個(gè)階段的輸出進(jìn)行下一階段的訓(xùn)練，階段越往后使用更高的IoU閾值，保證樣本數(shù)量的情況下產(chǎn)生更高質(zhì)量的檢測(cè)框。

1.2 多尺度網(wǎng)絡(luò)

目標(biāo)大小尺度不一的問(wèn)題一直是目標(biāo)檢測(cè)的主要難點(diǎn)之一。多尺度圖像金字塔是一種常用的改進(jìn)方案[8]。在圖像金字塔策略的基礎(chǔ)上，SNIP[9]提出一種尺度歸一化方法。但是，他們的推理速度較慢。另外一些方法利用不同空間分辨率的多層次特征來(lái)緩解尺度變化，或者直接根據(jù)骨干網(wǎng)絡(luò)提出的金字塔特征層次結(jié)構(gòu)作為檢測(cè)器進(jìn)行預(yù)測(cè)[7，12]。ION[10]連接不同層的特征，以生成更好的特征圖進(jìn)行預(yù)測(cè)。為了彌補(bǔ)底層特征中語(yǔ)義的缺失，F(xiàn)PN網(wǎng)絡(luò)[11]提出一種自上而下地融合多尺度特征的路徑，以在高層特征中整合強(qiáng)語(yǔ)義信息。PANet[15]在FPN上增加了一個(gè)額外的自底向上的路徑聚合網(wǎng)絡(luò);STDL[12]提出一個(gè)利用跨尺度特性的尺度轉(zhuǎn)換模塊;M2det[13]提出一個(gè)U形模塊來(lái)融合多尺度特征。

1.3 注意力網(wǎng)絡(luò)模塊

注意力網(wǎng)絡(luò)模塊的核心思想是基于原有的數(shù)據(jù)找到其之間的關(guān)聯(lián)性，根據(jù)重要程度不同賦予不同的權(quán)重。自注意力機(jī)制是注意力機(jī)制的改進(jìn)，其減少了對(duì)外部信息的依賴，更擅長(zhǎng)捕捉數(shù)據(jù)或特征的內(nèi)部相關(guān)性，能夠有效提高模型訓(xùn)練的并行性和效率。SENet[14]通過(guò)顯式建模通道之間的相互依賴性自適應(yīng)地重新校準(zhǔn)通道的特征響應(yīng)，可以利用小的計(jì)算代價(jià)獲取大的性能提升。Huet等人[15]提出一種應(yīng)用自注意力機(jī)制的目標(biāo)關(guān)系模塊，對(duì)一組目標(biāo)以及它們之間的關(guān)系進(jìn)行建模，提高對(duì)象的識(shí)別能力。DANet[16]通過(guò)融合并行的通道注意力模塊和位置注意力模塊的結(jié)果來(lái)捕獲豐富的上下文相關(guān)性，自適應(yīng)地將局部特征與其全局相關(guān)性相結(jié)合。SANet[17]通過(guò)池化層實(shí)現(xiàn)多尺度特征聚合，同時(shí)生成軟全局注意掩碼，增強(qiáng)像素級(jí)密集預(yù)測(cè)的目標(biāo)。

針對(duì)電力施工現(xiàn)場(chǎng)存在的場(chǎng)景復(fù)雜導(dǎo)致的尺度變化多樣性等問(wèn)題，筆者結(jié)合了特征金字塔（FPN）思想，設(shè)計(jì)了多尺度注意力（MA）網(wǎng)絡(luò)模塊，提出了一個(gè)多尺度注意力網(wǎng)絡(luò)。

2 多尺度注意力網(wǎng)絡(luò)（MAR-CNN）

本文基于對(duì)目標(biāo)檢測(cè)網(wǎng)絡(luò)和區(qū)域建議生成網(wǎng)絡(luò)共享全圖像卷積特征的Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行設(shè)計(jì)。為了對(duì)一張既具有高分辨率又具有較強(qiáng)語(yǔ)義信息的特征圖進(jìn)行預(yù)測(cè)，網(wǎng)絡(luò)結(jié)合了在以特征金字塔為基礎(chǔ)結(jié)構(gòu)對(duì)每一層級(jí)的特征圖分別進(jìn)行預(yù)測(cè)的FPN結(jié)構(gòu)。針對(duì)電力施工場(chǎng)景中，隨著施工規(guī)模、地點(diǎn)的不同，目標(biāo)尺度豐富以及背景復(fù)雜這一現(xiàn)象，本文設(shè)計(jì)出一個(gè)多尺度注意力（MA）模塊。

2.1 多尺度注意力（MA）模塊

為了緩解目標(biāo)尺度變化較大帶來(lái)的障礙，筆者參考了現(xiàn)有的一些多尺度信息融合的方式，并在融合中增加通道注意力，詳細(xì)結(jié)構(gòu)如圖2所示。

受相互學(xué)習(xí)思想[18]的啟發(fā)，Pang等人[19]提出了一種聚合交互策略（AIM），以更好地利用多層次特征，避免因分辨率差異較大而對(duì)特征融合造成干擾。單級(jí)特征只能表征尺度特定的信息。在自上而下的路徑中，淺層特征的細(xì)節(jié)表現(xiàn)能力由于深層特征的不斷積累而減弱。受上述思想啟發(fā)，本文融合相鄰層的特征，因?yàn)樗鼈兊某橄蟪潭雀咏?，同時(shí)獲得了豐富的尺度信息。如圖2所示，可分為三種融合方式。第一種，將來(lái)自ResNet網(wǎng)絡(luò)第一層的特征與第二層的特征進(jìn)行融合，首先將高低層特征分別采樣到對(duì)方分辨率大小，再分別進(jìn)行融合，然后將融合過(guò)后的特征再次進(jìn)行融合（此時(shí)融合后特征分辨率與低層特征分辨率相同），再增加一條殘差連接，將特征與低層特征融合。第二種，融合方式同第一種，只是此時(shí)選取ResNet網(wǎng)絡(luò)三層相鄰特征進(jìn)行融合，最終特征大小分辨率與中間層特征相同。第三種，同前兩種方式，選取ResNet網(wǎng)絡(luò)第三層的特征與第四層的特征進(jìn)行融合，最終特征大小分辨率與高層特征相同。

另外，由于電力施工場(chǎng)景背景較為復(fù)雜，常施工于城市街道、鄉(xiāng)村街道、農(nóng)田等各種不同場(chǎng)景下，為了抑制這種背景帶來(lái)的不利影響，筆者在尺度信息融合過(guò)程中，使用了Squeeze-and-Attention模塊（SA）[17]。SA模塊擴(kuò)展于SE模塊[14]并引入了通道注意力機(jī)制，通過(guò)通道之間的相關(guān)性把重要的特征增強(qiáng)，不重要的特征減弱，從而讓提取的特征指向性更強(qiáng)，對(duì)網(wǎng)絡(luò)性能帶來(lái)了一定的性能提升。

2.2 基于多尺度注意力的目標(biāo)檢測(cè)網(wǎng)絡(luò)

MAR-CNN目標(biāo)檢測(cè)網(wǎng)絡(luò)的整體結(jié)構(gòu)見(jiàn)圖3，主干網(wǎng)絡(luò)選取ResNet101網(wǎng)絡(luò)，將主干網(wǎng)絡(luò)后四層獲取到的特征送入多尺度注意力模塊，經(jīng)過(guò)MA模塊后得到特征：[Cii∈1，2，3，4]。

再結(jié)合帶有top-down結(jié)構(gòu)和橫向連接的FPN[11]結(jié)構(gòu)設(shè)計(jì)，以此融合具有高分辨率的低層特征和具有豐富語(yǔ)義信息的高層特征。此時(shí)，筆者得到特征[Pii∈1，2，3，4]，再使用RPN網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。RPN網(wǎng)絡(luò)實(shí)際分為2條分支，一個(gè)分支通過(guò)softmax分類用來(lái)判斷anchors是否為需要檢測(cè)的物體，另一分支用于計(jì)算對(duì)于anchors的邊界框回歸的偏移量，以獲得精確的proposals。而最后的proposal層則負(fù)責(zé)綜合前景anchors和與其對(duì)應(yīng)邊界框回歸的偏移量獲取最后的proposals，同時(shí)剔除太小和超出邊界的 proposals。RPN 提高了區(qū)域建議質(zhì)量，從而提高了整體目標(biāo)檢測(cè)精度。另外，圖3中Res_layer [ii∈1，2，3，4]表示的是不同的ResNet層，F(xiàn)C為全連接層。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)代碼基于PyTorch深度框架。在訓(xùn)練階段，采用數(shù)據(jù)增強(qiáng)技術(shù)來(lái)避免過(guò)擬合問(wèn)題。筆者的網(wǎng)絡(luò)在Tesla P100-PCIE-16GB上訓(xùn)練了20個(gè)epoch。經(jīng)實(shí)驗(yàn)證明，20個(gè)epoch已經(jīng)可以使模型收斂。骨干網(wǎng)絡(luò)參數(shù)（ResNet-101）使用ImageNet數(shù)據(jù)集上預(yù)先訓(xùn)練的相應(yīng)模型進(jìn)行初始化。筆者使用動(dòng)量SGD優(yōu)化器，其權(quán)重衰減為0.0001，初始學(xué)習(xí)速率為0.02，動(dòng)量為0.9。

3.2 數(shù)據(jù)集

本文實(shí)驗(yàn)所使用的數(shù)據(jù)來(lái)源于真實(shí)電力施工場(chǎng)景。筆者針對(duì)電力施工人員工作服穿戴、安全帽佩戴情況，共實(shí)地收集了5431張圖片，并從中劃分4888張圖片作為訓(xùn)練集，其余作為驗(yàn)證集。數(shù)據(jù)共包括4類對(duì)象，表1列舉出筆者制作的數(shù)據(jù)集的具體檢測(cè)對(duì)象分布情況，其中數(shù)量表示的是每一類檢測(cè)目標(biāo)的標(biāo)注框數(shù)量而非圖片數(shù)量。每一張圖片中可能包含多個(gè)標(biāo)注框。筆者的數(shù)據(jù)集存在的挑戰(zhàn)主要是由真實(shí)場(chǎng)景中施工現(xiàn)場(chǎng)的多樣性帶來(lái)了目標(biāo)對(duì)象的尺度變化較大，另在街道中施工時(shí)，行人及旁觀者也將被進(jìn)行檢測(cè)，這對(duì)筆者的檢測(cè)效果帶來(lái)了一定的挑戰(zhàn)。

3.3 對(duì)比實(shí)驗(yàn)

3.3.1 與其他現(xiàn)有方法對(duì)比

將MAR-CNN方法與其他的方法在真實(shí)施工場(chǎng)景數(shù)據(jù)集上進(jìn)行比較，筆者將Faster R-CNN[3]、SSD[4]、Cascade R-CNN[7]、GFL[20]、ATSS[21]5種目標(biāo)檢測(cè)方法以及MAR-CNN方法的實(shí)驗(yàn)結(jié)果展示在表2中。從表中數(shù)據(jù)，可以說(shuō)明筆者方法的有效性。在真實(shí)施工場(chǎng)景的數(shù)據(jù)集上，筆者的方法針對(duì)施工人員佩戴安全帽和穿戴工作服的檢測(cè)結(jié)果具有一定的可靠性，從而更大程度地對(duì)施工人員的人身安全進(jìn)行保護(hù)。

為了更好地說(shuō)明，筆者繪制了實(shí)驗(yàn)過(guò)程中的loss變化圖，以及各類方法的mAP結(jié)果圖，如圖4和圖5。圖4中，橫坐標(biāo)為訓(xùn)練迭代次數(shù)。如圖5所示，本文方法的收斂速度與效果是圖中最好的，橫坐標(biāo)表示為訓(xùn)練epoch次數(shù)。從各個(gè)數(shù)據(jù)對(duì)比中可以看出，本文方法與其他方法相比較，達(dá)到了最優(yōu)的性能。

3.3.2 模塊有效性對(duì)比實(shí)驗(yàn)

MAR-CNN是基于Faster R-CNN[3]網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合FPN[11]思想，并使用了帶有通道注意力的信息融合模塊。

筆者首先討論MAR-CNN對(duì)比帶有FPN[11]思想的Faster R-CNN[3]網(wǎng)絡(luò)的效果。如表3所示，從檢測(cè)結(jié)果可以看出，MAR-CNN方法的檢測(cè)精度更高一些。其中AP0.5表示在訓(xùn)練和測(cè)試中使用的閾值。AP0.5是指當(dāng)檢測(cè)框與標(biāo)注框重疊的交并比超過(guò)0.5即認(rèn)為檢測(cè)到目標(biāo)時(shí)的平均精度，AP0.75表示閾值為0.75。

同時(shí)，筆者對(duì)不同尺度目標(biāo)的檢測(cè)精度進(jìn)行了分析，如表4所示。表4中選用的IoU為0.5，目標(biāo)的標(biāo)注面積小于322為小目標(biāo)，用APs來(lái)表示;目標(biāo)的標(biāo)注面積介于322和962之間的稱為中等目標(biāo)，用APm來(lái)表示;目標(biāo)的標(biāo)注面積大于962的稱為大目標(biāo)，用APl來(lái)表示。如表4所示，筆者的方法在三種尺度的目標(biāo)上檢測(cè)精度均高于帶有FPN[11]思想的Faster R-CNN[3]網(wǎng)絡(luò)的檢測(cè)精度，這也從側(cè)面說(shuō)明了本文所提的MA模塊的有效性。

其次，筆者對(duì)不同的檢測(cè)類別結(jié)果也做了分析，并將結(jié)果展示于表5中，此時(shí)檢測(cè)框與標(biāo)注框重疊的交并比的閾值設(shè)定為0.7。從表5中，筆者可以發(fā)現(xiàn)，安全帽未佩戴的檢測(cè)精度整體較低，這是因?yàn)槲磁宕鞯那闆r大多為施工現(xiàn)場(chǎng)的非工作人員以及極少部分的工作人員，導(dǎo)致安全帽未佩戴的情況更加豐富，其中一個(gè)表現(xiàn)就是尺度變化更豐富。相對(duì)于帶有FPN[11]思想的Faster R-CNN[3]網(wǎng)絡(luò)，筆者的方法在這個(gè)類別上的檢測(cè)效果也可以達(dá)到小幅度的提升，從而說(shuō)明本文方法的有效性。

為了更直接地說(shuō)明筆者所提方法中各模塊的有效性，針對(duì)網(wǎng)絡(luò)中有無(wú)FPN思想、有無(wú)聚合交互策略（AIM）以及有無(wú)通道注意力機(jī)制做了對(duì)比實(shí)驗(yàn)，并將實(shí)驗(yàn)結(jié)果展示在表6中。另外，筆者選擇SE模塊作為注意力機(jī)制替換SA時(shí)，AP0.75僅有0.42，AP0.5僅為0.71。從而更加直觀地說(shuō)明多尺度注意力（MA）模塊的有效性。

4 結(jié)論

為了進(jìn)一步提升電力施工現(xiàn)場(chǎng)的安全性，保障現(xiàn)場(chǎng)人員的人身安全，筆者設(shè)計(jì)出一種多尺度信息融合目標(biāo)檢測(cè)算法MAR-CNN，對(duì)電力施工人員著裝不規(guī)范的典型情況進(jìn)行自動(dòng)檢測(cè)。為了得出更可靠的結(jié)果，筆者收集了真實(shí)場(chǎng)景的施工現(xiàn)場(chǎng)圖片，制作出一個(gè)電網(wǎng)施工人員著裝數(shù)據(jù)集，并在這個(gè)數(shù)據(jù)集上驗(yàn)證了筆者方法的有效性。

參考文獻(xiàn)：

[1] Girshick R，Donahue J，Darrell T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition.June 23-28，2014，Columbus，OH，USA.IEEE，2014：580-587.

[2] Girshick R.Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision.December 7-13，2015，Santiago，Chile.IEEE，2015：1440-1448.

[3] Ren S Q，He K M，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[4] Liu W，Anguelov D，Erhan D，et al.SSD：single shot MultiBox detector[M]//Computer Vision – ECCV 2016.Cham：Springer International Publishing，2016：21-37.

[5] Hosang J，Benenson R，Dollár P，et al.What makes for effective detection proposals？[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（4）：814-830.

[6] Uijlings J R R，Sande K，Gevers T，et al.Selective search for object recognition[J].International Journal of Computer Vision，2013，104（2）：154-171.

[7] Cai Z W，Vasconcelos N.Cascade R-CNN：delving into high quality object detection[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：6154-6162.

[8] Liu S，Qi L，Qin H F，et al.Path aggregation network for instance segmentation[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：8759-8768.

[9] Singh B，Davis L S.An analysis of scale invariance in object detection - SNIP[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：3578-3587.

[10] Bell S，Zitnick C L，Bala K，et al.Inside-outside net：detecting objects in context with skip pooling and recurrent neural networks[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition.June 27-30，2016，Las Vegas，NV，USA.IEEE，2016：2874-2883.

[11] Lin T Y，Dollár P，Girshick R，et al.Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition.July 21-26，2017，Honolulu，HI，USA.IEEE，2017：936-944.

[12] Zhou P，Ni B B，Geng C，et al.Scale-transferrable object detection[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：528-537.

[13] Zhao Q J，Sheng T，Wang Y T，et al.M2Det：a single-shot object detector based on multi-level feature pyramid network[J].Proceedings of the AAAI Conference on Artificial Intelligence，2019，33：9259-9266.

[14] Hu J，Shen L，Sun G.Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：7132-7141.

[15] Hu H，Gu J Y，Zhang Z，et al.Relation networks for object detection[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：3588-3597.

[16] Fu J，Liu J，Tian H J，et al.Dual attention network for scene segmentation[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 15-20，2019，Long Beach，CA，USA.IEEE，2019：3141-3149.

（下轉(zhuǎn)第14頁(yè)）

（上接第7頁(yè)）

[17] Zhong Z L，Lin Z Q，Bidart R，et al.Squeeze-and-attention networks for semantic segmentation[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020：13062-13071.

[18] Ying Zhang， Tao Xiang， Timothy M Hospedales， et al. Deep mutual learning. In CVPR， pages 4320–4328， 2018.

[19] Pang Y W，Zhao X Q，Zhang L H，et al.Multi-scale interactive network for salient object detection[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020：9410-9419.

[20]? Xiang Li， Wenhai Wang， Lijun Wu，et al. Generalized focal loss： Learning qualified and distributed bounding boxes for dense object detection. arXiv preprint arXiv：2006.04388， 2020.

[21] Zhang S F，Chi C，Yao Y Q，et al.Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.June 13-19，2020，Seattle，WA，USA.IEEE，2020：9756-9765.

【通聯(lián)編輯：唐一東】