科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于当前大多数目标检测算法不能同时在实时性和检测精度上都获得良好的表现，本文对经典的YOLOv3目标检测算法进行改进，使最终的网络模型轻量化且具有较高的检测准确率。由于YOLOv3的骨干网络DarkNet53网络结构复杂，参数量较大，将其替换为EfficientNet系列网络中的EfficientNet-B1，通过简单的网络结构以及更少的网络参数量学习到较好的特征，为网络轻量化奠定基础；对骨干网络输出的3种不同尺度的特征图添加混合域注意力机制CBAM作为特征融合网络的输入，并将特征金字塔结构与CBAM结合，通过自上而下的特征信息融合以及混合域注意力机制使网络在训练时更加关注样本的有效区域，进一步提升模型的检测性能；使用Mosaic数据增强方式，有效提升模型的泛化能力。实验最终的模型评估结果表明，改进后的网络相对于YOLOv3网络而言，在mAP0.5降低2.73%的检测精度条件下，检测速度提升了3.93倍，而且模型大小仅为原网络的22%。
-
单位昆明理工大学; 自动化学院
