基于改进YOLOv3的道路目标检测

作者：张琛; 张玉安^*; 孟乔

来源：青海大学学报(自然科学版), 2020, 38(06): 34-40.

DOI：10.13901/j.cnki.qhwxxbzk.2020.06.006

• 目标检测
• YOLOv3
• 多尺度融合
• K-Means目标框聚类
• 正则化

针对YOLOv3在道路目标检测中检测速度较慢以及小目标物体检测召回率低的问题,文中提出了一种基于YOLOv3改进后的道路目标检测网络YOLO-R。将YOLOv3原有的3个特征尺度增至4个,从而降低小目标物体的漏检率;利用K-Means目标框聚类得到新的道路目标检测候选框,进而提高了检测的精度;通过进行稀疏训练,并对稀疏训练后模型中不重要的通道进行剪枝以减少参数量,实现减小模型大小、加快检测速度及防止过拟合的效果。在进行道路目标检测的场景中,YOLO-R在GTX1650显卡下FPS为7.39帧/秒,相比YOLOv3提高了1.59帧/秒;检测准确率(m AP)为95.13%,相比YOLOv3提高了4.97%。本文提出的YOLO-R比YOLOv3在道路目标检测场景下检测速度与检测准确率都有所提升。