计算机应用

作者：张丽莹, 庞春江, 王新颖, 李国亮

单位：1.华北电力大学（保定） 计算机系，河北 保定 071003；2.国网山东省电力公司 枣庄供电公司，山东 枣庄 277800

关键词：目标检测,YOLOv3,多尺度目标,双向特征金字塔,注意力机制

基金：中央高校基本科研业务费专项资金资助项目(2021MS090);国网山东省电力公司枣庄供电公司科技项目(SD20-GC-ZB003-SGZH-KJ)

为了进一步提高多尺度目标检测的速度和精度，解决小目标检测易造成的漏检、错检以及重复检测等问题，提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先，在特征提取网络中对网络结构进行改进，在残差模块的空间维度中引入注意力机制，对小目标进行关注；然后，利用密集连接网络（DenseNet）充分融合网络浅层信息，并用深度可分离卷积替换主干网络中的普通卷积，减少模型的参数量，提升检测速率。在特征融合网络中，通过双向金字塔结构实现深浅层特征的双向融合，并将3尺度预测变为4尺度预测，提高了多尺度特征的学习能力；在损失函数方面，选取GIoU（Generalized Intersection over Union）作为损失函数，提高目标识别的精度，降低目标漏检率。实验结果表明，基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%，与原YOLOv3算法相比提升了5.89个百分点，检测速度达22.0 frame/s；在COCO数据集上，与原YOLOv3算法相比，基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点；同时，在进行多尺度的目标检测中，算法的mAP有所提升，验证了基于改进YOLOv3的目标检测算法的有效性。

来源：2022年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第8期