目标检测是计算机视觉和机器人视觉系统的基础性课题,这个领域的研究在很多方向上已经取得了很大的进展。和许多其他计算机视觉课题类似的是,当前的目标检测仍然存在很多问题需要我们提出更好的算法来进行优化。本文主要从自上而下的注意力反向传播以及自适应非极大抑制算法两个方面对基于深度学习的目标检测性能进行优化,概括如下:本文基于注意力地图的目标检测优化算法是一种更有效且更接近生物视觉机制的目标检测算法。针对主流的单次前向目标检测流程无法有效结合高层语义和底层特征从而限制目标检测性能的问题,本文将原Faster R-CNN检测流程扩增为结合了自底向上和自顶向下信息的目标检测流程,有助于提升目标检测的性能,具体研究内容为:通过将自上而下的注意力引入目标检测网络,生成了输入图像上关于高层语义的注意力地图。在具体的候选框融合优化方案中,结合生成的注意力地图以及前景评分设计了一种新型NMS排序参数,可以有效反映每个候选框与待检测目标的相关度,使得目标相关候选框被保留的同时非相关候选框也得以被抑制,从而提升了目标检测的精确度。本文基于自适应非极大抑制的目标检测优化算法提出了一种自适应的候选框融合方案,可以更有效地应对拥挤场景下的目标检测任务,是一种更接近生物视觉机制的融合方案,具体研究内容为:基于注意力地图提出了相邻目标区分度的定义,用于计算交叠候选区域目标错失的可能性,并基于提出的相邻目标区分度,分别设计了线性和非线性的自适应参数应用于自适应得分衰减函数中,这样,在每次对候选框的遍历中,每个候选框的排序得分都会根据其与当前最高得分候选框之间的相邻目标区分度以及交叠比例得到衰减,可以在有效保留交叠区域中包含不同目标的候选框的同时抑制那些对已检测目标进行重复检测的候选框,从而突破了传统NMS需要手工设计NMS阈值的限制,达到自适应融合候选框的效果,有助于提升目标检测性能。本文的实验部分,分别选取了PASCAL VOC和MS COCO两个数据集进行了检测性能的评估,并基于涉及的参数对算法性能进行了详细的分析。大量的实验仿真和一系列基于实验数据的分析验证了本文提出的两种目标检测优化算法对于目标检测性能的有效提升。