為目標檢測技術開發的新人工智能框架

中國科學院合肥物理科學研究院(HFIPS)的研究人員提出了一種新的目標檢測人工智能框架，為快速、高精度的實時在線目標檢測提供了新的解決方案。

相關結果發表在ExpertSystemswithApplications中。

近年來，深度學習理論推動了人工智能技術的快速發展?；谏疃葘W習理論的目標檢測技術在許多工業應用中也取得了成功。目前的研究側重于提高目標檢測的速度或準確性，并沒有考慮到效率和準確性。如何實現快速準確的目標檢測成為人工智能領域的重要挑戰。

在這項研究中，研究人員發現基于深度學習的目標檢測技術的主要缺陷之一在于深度網絡結構的重復特征提取和融合，導致不必要的計算成本。

因此，他們提出了一種多輸入單輸出目標識別框架(MiSo)，它有別于傳統的多輸入多輸出模型，降低了模型復雜度和推理時間開銷。

此外，在此框架下，研究人員基于早先提出的eRF檢測理論，設計了三種新的學習機制來更準確、更高效地提取熱點特征信息，分別是感受野調整機制、殘差注意力自學習機制和eRF-基于動態平衡的采樣策略。

“我們將它們命名為M2YOLOF，”領導團隊的王宏強說，“它在一張特征圖上檢測物體，在小物體上表現良好。它與YOLOF(YouOnlyLookOne-levelFeature)一樣快，但更準確。"

他們在標準數據集基準上進行了嘗試，并以每秒29幀的速度達到了39.2的平均精度(AP)。它比現有最先進的TridenNet-R50高2.6AP。

該方法為目標檢測的研究和工業應用提供了新的思路。