计算机工程

作者：胡清翔, 饶文碧, 熊盛武

单位：1. 武汉理工大学 计算机与人工智能学院, 武汉 4300002. 武汉理工大学 三亚科教创新园, 海南 三亚 572000

关键词：小目标检测,YOLO网络,轻量级网络,双向特征金字塔,定位损失函数

基金：国家自然科学基金(62176194); 湖北省科技创新计划项目(2020AAA001); 武汉理工大学三亚科教创新园项目(2021KF0031)

在基于深度学习的目标检测算法中，YOLO算法因兼具速度与精度的优势而备受关注，但是将其应用于无人机遥感领域时存在检测速度较慢、计算资源要求较高、小目标检测精度不佳等问题。为此，提出基于YOLO的轻量级小目标检测算法SS-YOLO。使用轻量的主干网络提升算法的推理速度，根据特征金字塔网络分治思想，加入下采样倍数为4的高分辨特征图P2用于检测微小目标。为解决高分辨率特征图（P2、P3）中语义信息不足的问题，构建结合自适应融合因子的语义增强上采样模块。针对定位损失函数中IoU度量方法对目标尺寸敏感所带来的影响小目标定位精确性的问题，设计结合归一化Wasserstein距离度量方法与中心点距离惩罚项的LCNWD定位回归损失函数。实验结果表明，与YOLOv5s以及最新的YOLOv7-tiny相比，改进后的SS-YOLO模型参数量分别减少了31.3%和20.6%，与YOLOv7-tiny相比，mAP在VisDrone与AI-TOD数据集上分别提升了7.5和7.0个百分点；与YOLOv5s相比，mAP分别提升了2.3和3.6个百分点。当输入图片尺寸为800×800像素时，SS-YOLO的FPS为110帧/s，能够在满足无人机等边缘设备实时检测的同时，显著提升小目标的检测结果。

来源：2023年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第12期