本網(wǎng)訊(通訊員：劉圓)近日，我校王琦進(jìn)教授及其團(tuán)隊(duì)在中科院一區(qū)人工智能領(lǐng)域TOP期刊《Expert Systems With Applications》發(fā)表高水平論文《M2YOLOF: Based on Effective Receptive Fields and Multiple-in-Single-out Encoder for Object Detection》(論文鏈接https://doi.org/10.1016/j.eswa.2022.118928)。《Expert Systems With Applications》是中國(guó)人工智能學(xué)會(huì)認(rèn)定的A級(jí)期刊，2022年的影響因子/JCR分區(qū)分別為8.665/Q1，Google Scholar上的H指數(shù)排名人工智能類(lèi)期刊第五位。此次文章發(fā)表在國(guó)際高水平期刊上有助于提升我校的科學(xué)研究與人工智能學(xué)科專(zhuān)業(yè)建設(shè)水平。

　　該論文針對(duì)實(shí)時(shí)性目標(biāo)檢測(cè)任務(wù)的重要挑戰(zhàn)(效率與精度的平衡)進(jìn)行研究。傳統(tǒng)目標(biāo)檢測(cè)器，檢測(cè)精度的提高伴隨著巨大的時(shí)間開(kāi)銷(xiāo)，因而難以部署到實(shí)際的應(yīng)用場(chǎng)景中。鑒于此，科研人員提出了M2YOLOF目標(biāo)檢測(cè)算法，構(gòu)造了多入單出的特征編碼器來(lái)增強(qiáng)多尺度目標(biāo)的全局表示與局部細(xì)節(jié)。M2YOLOF加入自注意力機(jī)制來(lái)捕獲大尺度目標(biāo)的全局依賴(lài)，并采用錨機(jī)制生成訓(xùn)練樣本，同時(shí)科研人員利用有效感受野設(shè)計(jì)了動(dòng)態(tài)樣本選擇策略來(lái)合理化樣本數(shù)量與質(zhì)量的平衡。實(shí)驗(yàn)證實(shí)了該方法在檢測(cè)精度以及推理速度上具有顯著優(yōu)勢(shì)。

　　早期，王琦進(jìn)教授及其團(tuán)隊(duì)在中科院二區(qū)人工智能領(lǐng)域國(guó)際著名期刊《Neurocomputing》(JCR分區(qū)：Q1，影響因子：5.779，TOP期刊)上發(fā)表了論文《Enhancing representation learning by exploiting effective receptive fields for object detection》，M2YOLOF是對(duì)該論文在理論上的完善，并進(jìn)一步豐富了有效感受野在目標(biāo)檢測(cè)上的應(yīng)用。

圖1 M2YOLOF框架

圖2 注意力編碼器結(jié)構(gòu)

圖3 eRFOTA匹配方法

　　(審核：邱國(guó)新 責(zé)任編輯：潘玲陽(yáng))