基于非对称感受野的快速准确目标检测

目标检测已广泛应用于众多行业。例如在自动驾驶中，目标检测任务是从道路视频中准确高效地识别并定位大量预定义类别的物体实例（车辆、行人、交通标志等）。在机器人领域，工业机器人需识别特定机械元件。在安全领域，摄像头应准确识别每个人的人脸。随着深度学习的广泛应用，目标检测的精度与效率大幅提升，但基于深度学习的目标检测仍面临挑战。目标检测的不同应用有不同需求，包括高精度检测、多类别目标检测、实时检测、对遮挡的鲁棒性等。为应对上述挑战，本文在广泛文献调研基础上，从单阶段与两阶段目标检测算法演进的视角，分析改进与优化主流目标检测算法的方法。进而，本文从改变感受野的视角提出提升目标检测精度的方法。新模型基于原始 YOLOv5（You Look Only Once）并作了若干修改，通过添加非对称池化层修改了 YOLOv5 头部结构。由此，在保障速度的同时提升了算法精度。本文将新模型性能与原始 YOLOv5 模型比较，并从若干参数进行分析，且在四种情形下给出新模型的评估。此外，针对待解决问题与未来研究方向作了总结与展望。