Key points are not available for this paper at this time.
Die Objekterkennung ist eine bekannte Aufgabe im Bereich der Computer Vision, insbesondere das Problem der Erkennung kleiner Zielobjekte, das großes akademisches Interesse geweckt hat. Um die Erkennungsleistung kleiner Objekte zu verbessern, wird in diesem Artikel eine neuartige verbesserte Methode zur mehrstufigen Mer fusionierung vorgeschlagen, nämlich das atrous spatial pyramid pooling-balanced-feature pyramid network (ABFPN). Dabei werden spezielle atrous-Convolution-Operatoren mit unterschiedlichen Dilatationsraten verwendet, um die Kontextinformationen optimal zu nutzen, wobei eine Skip-Verbindung eingesetzt wird, um ausreichende Mer fusionen zu erreichen. Darüber hinaus gibt es ein ausgewogenes Modul, das Merkmale auf verschiedenen Ebenen integriert und verstärkt. Die Leistung des vorgeschlagenen ABFPN wird an drei öffentlichen Benchmark-Datensätzen bewertet, und die experimentellen Ergebnisse zeigen, dass es sich um eine zuverlässige und effiziente Methode zur Mer fusionierung handelt. Darüber hinaus wird zur Validierung des Anwendungspotenzials für kleine Objekte das entwickelte ABFPN verwendet, um winzige Oberflächenfehler auf der Leiterplatte (PCB) zu erkennen, die als Nackenpartie eines verbesserten PCB-Fehl erkennen Rahmens (IPDD) fungiert. Bei der Gestaltung des IPDD werden mehrere leistungsstarke Strategien eingesetzt, um die Gesamtleistung weiter zu verbessern, die durch umfangreiche Ablationsstudien bewertet wird. Experimente an einer öffentlichen Datenbank zur Erkennung von PCB-Fehlern haben die Überlegenheit des entworfenene IPDD-Rahmens im Vergleich zu den anderen sieben Methoden auf dem neuesten Stand der Technik gezeigt, was die Praktikabilität des vorgeschlagenen ABFPN weiter validiert.
Zeng et al. (Sat,) haben diese Frage untersucht.