基于改进YOLOv4算法的室内场景目标检测

作者：李维刚; 杨潮; 蒋林; 赵云涛

来源：激光与光电子学进展, 2022, 59(18): 251-260.

DOI：10.3788/LOP202259.1815003

• 目标检测
• 室内场景
• YOLOv4
• 跨阶段局部网络
• 深度可分离卷积

针对传统方法在室内场景目标检测中存在检测精度低、检测速度慢等问题，提出一种改进的YOLOv4算法模型。构建室内场景目标检测数据集，使用K-means++聚类算法优化先验框参数，提高先验框与目标的匹配度；调整原始YOLOv4的网络结构，将跨阶段局部网络结构融入模型颈部网络中，消除在特征融合阶段梯度反向传播导致的梯度信息冗余现象，提高对室内目标的检测能力；引入深度可分离卷积模块，取代模型中原有的3×3卷积层，减少模型参数，提升检测速度。实验结果表明，改进后的YOLOv4算法在室内场景目标检测数据集上的平均精度达83.0%，检测速度达72.1 frame/s，较原始YOLOv4算法，分别提高了3.2个百分点和6 frame/s，同时模型规模缩小了36.3%，优于目前其他基于深度学习的室内场景目标检测算法。

• 单位
  武汉科技大学