一种用于小目标检测的改进YOLOv3方法
计算机视觉与模式识别
2023-03-23 v3
摘要
小目标检测在自动驾驶与无人机场景分析等领域具有重要应用价值。作为最先进的目标检测算法之一，YOLOv3在检测小目标时面临一些挑战，例如小目标与遮挡目标检测失败的问题。为解决这些问题，本文提出一种用于小目标检测的改进YOLOv3算法。在所提方法中，将膨胀卷积mish（DCM）模块引入YOLOv3的主干网络，通过融合不同感受野的特征图来提升特征表达能力。在YOLOv3的颈部网络中，引入卷积块注意力模块（CBAM）与多级融合模块，以在浅层网络中选择小目标检测的重要信息、抑制非关键信息，并利用融合模块融合不同尺度的特征图，从而提升算法检测精度。此外，采用Soft-NMS与Complete-IoU（CloU）策略进行候选框筛选，提升了算法对遮挡目标的检测准确率。在MS COCO2017目标检测任务上的消融实验证明了本文引入的若干模块对小目标检测的有效性。在MS COCO2017、VOC2007与VOC2012数据集上的实验结果表明，本方法的平均精度（AP）分别比YOLOv3高16.5%、8.71%与9.68%。
引用
@article{arxiv.2212.02809,
title = {An advanced YOLOv3 method for small object detection},
author = {Baokai Liu and Fengjie He and Shiqiang Du and Jiacheng Li and Wenjie Liu},
journal= {arXiv preprint arXiv:2212.02809},
year = {2023}
}