基于弱特征增强的轻量化小目标检测方法研究

作者：周葳楠; 吴治海^*; 张正道; 彭力; 谢林柏

来源：控制与决策, 2023, 1-9.

DOI：10.13195/j.kzyjc.2022.1432

• 小目标检测
• 背景噪声
• 特征融合
• 特征增强
• 轻量级网络

针对复杂背景下小目标特征经多次卷积被背景噪声淹没导致的检测精度低的问题，提出了一种增强弱特征表达的一阶段轻量级小目标检测算法SA-YOLO。首先，用改进的ShuffleNetv2网络构建骨干网络，通过嵌入SE注意力模块和Inception结构，提升网络在复杂背景下的特征提取能力，有效地抑制背景噪声，充分提取弱特征；其次，在颈部网络，采用新的特征融合模块，以含有弱特征较多的低层级特征块的空间位置信息对高层级特征进行权重调整，提高不同层级的特征融合利用率，减少小目标的特征损失；最后，在头部网络，用解耦的检测头替换原YOLO耦合的检测头，解耦分类任务和回归任务，提高弱特征的解码能力，增强小目标检测的性能。在公开数据集COCO2017上进行实验，结果表明，SA-YOLO参数量仅有1.14M，小目标平均检测召回率ARS达到31.6%。同时，将本文算法与近几年主流算法进行对比，结果表明，本文算法在小目标检测方面具有较强的竞争力。

• 单位
  江南大学