一种轻量且精准的类 YOLO 网络用于航拍图像中小目标检测
计算机视觉与模式识别
2022-04-06 v1 机器学习
摘要
尽管深度学习在自动目标检测上取得了突破性性能，小目标检测仍是一个具有挑战性的问题，尤其是在寻求适用于移动或边缘应用的快速且准确的解决方案时。本文提出 YOLO-S，一种简单、快速且高效的小目标检测网络。该架构利用基于 Darknet20 的小型特征提取器，以及通过旁路与拼接的跳跃连接和 reshape-passthrough 层，以缓解梯度消失问题、促进跨网络的特征复用并将低层位置信息与更有意义的高层信息结合。为验证 YOLO-S 的性能，我们构建了“AIRES”——一个基于在欧洲获取的直升机图像进行车辆检测的新数据集，并在 AIRES 与 VEDAI 数据集上实验，将该架构与四种基线检测器基准比较。此外，为有效处理迁移学习策略时的数据不足与域间隙问题，我们引入基于 DOTAv2 与 VEDAI 组合数据集的过渡学习任务，并证明相对于从 COCO 数据迁移的更通用特征，其能提升整体精度。YOLO-S 比 YOLOv3 快 25% 至 50%，且仅比 Tiny-YOLOv3 慢 15-25%，在广泛实验中精度也优于 YOLOv3。在 SARD 数据集上的进一步仿真还证明了其对搜索与救援等不同场景的适用性。此外，YOLO-S 参数规模减少 87%，FLOPs 几乎为 YOLOv3 的一半，使低功耗工业应用部署成为可能。
引用
@article{arxiv.2204.02325,
title = {A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery},
author = {Alessandro Betti},
journal= {arXiv preprint arXiv:2204.02325},
year = {2022}
}
备注
Submitted to Elsevier. Under Review