基于区域感知的多尺度目标检测算法

作者：黄路; 李泽平; 杨文帮; 赵勇; 张嫡

来源：计算机工程, 2023, 49(12): 178-185.

DOI：10.19678/j.issn.1000-3428.0066683

• 目标检测
• 增强基线模型
• 通道信息增强
• 加权特征融合
• 多尺度目标

针对目标检测网络主分支层的特征信息易丢失、不同尺度的特征表达能力不平衡等问题，提出一种基于区域感知的多尺度目标检测算法。在YOLOv5的基础上采用数据增强、改进的边框损失和非极大值抑制方法，构建1个更强健的基线模型，沿着通道方向使用全局最大池化、全局平均池化、卷积等操作设计通道信息增强模块，并分别作用于骨干网络的每个主分支层，使得各个检测头在特征融合过程中也不会丢失主分支层的关键特征，以强化模型对重点区域的感知能力。利用加权特征融合方法融合不同尺度的特征信息，平衡不同尺度的输入特征对输出特征的表达能力，进而提高模型对多尺度目标的感知能力，通过调整模型的通道和深度，设计4种不同规模的网络结构。实验结果表明，相比YOLOv5s，该算法在Pascal VOC、MS COCO、Global Wheat、Wider Face、Motor Defect 5个数据集上的平均精度均值分别提高5.48、3.00、1.94、0.70和1.95个百分点。同时，该算法的平均精度均值最高为50.7%，分别比YOLOv4和Dynamic Head的最大模型提高7.2和3.0个百分点。

• 单位
  北京大学深圳研究生院; 贵州大学