基于改进YOLOv3算法的车辆目标检测

作者：霍爱清; 杨玉艳; 谢国坤

来源：计算机工程与设计, 2022, 43(07): 1981-1989.

DOI：10.16208/j.issn1000-7024.2022.07.023

• 车辆检测
• 深度学习
• YOLOv3算法
• 深度可分离卷积
• CIOU损失

为有效解决车辆目标检测算法参数量大、计算成本高等问题,提出一种改进YOLOv3算法。利用深度可分离卷积和注意力机制重新设计主干特征提取网络结构,通过增大神经网络深度、拓宽特征提取层数实现更高层语义信息的提取,可获得更精细特征,减少模型参数量和计算量;引入CIOU回归优化损失函数,量化预测框与真实框中心点距离、重叠面积、尺度以及长宽比等评测指标,解决均方误差(MSE)损失优化方向不一致的问题,使目标框回归更加稳定。实验结果表明,该算法参数量为19.56M,比YOLOv3算法降低了近67%,同时平均精度均值(m AP)提高了3.68%,每秒帧数(FPS)提高了8帧,为车辆目标检测提供了容易部署在移动端的轻量级网络。

• 单位
  电子工程学院; 西安交通工程学院; 西安石油大学