计算机工程

作者：戚玲珑, 高建瓴

单位：贵州大学 大数据与信息工程学院, 贵阳 550025

关键词：目标检测技术,小目标检测,YOLOv7网络模型,注意力模块,损失函数

基金：国家自然科学基金（62166006）。

目前的目标检测技术已趋于成熟，但小目标检测仍是研究的难点。针对目标检测过程中小目标检测更容易出现漏检等问题，提出一种改进的YOLOv7目标检测模型。结合特征分离合并思想，对YOLOv7网络模型中的MPConv模块进行改进，以减少网络特征处理过程造成的特征损失，并通过实验确定放置改进MPConv模块的最佳位置。由于小目标检测过程中容易出现漏检的现象，利用ACmix注意力模块提高网络对小尺度目标的敏感度，降低噪声所带来的影响。在此基础上，使用SIoU替换原YOLOv7网络模型中的CIoU来优化损失函数，减少损失函数自由度，提高网络鲁棒性。在Okahublot公开的FloW-Img子数据集上进行实验，结果表明，对于数据集中的密集、小目标和超小目标三种情况的图片，改进后的YOLOv7网络模型相比原网络，漏检情况得到明显改善，且mAP达到71.1%，相比基线YOLOv7网络模型提升了4个百分点，检测效果优于原网络模型与传统经典目标检测网络模型。

来源：2023年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第1期