计算机工程

作者：窦允冲, 侯进, 曾雷鸣, 陈子锐

单位：1. 西南交通大学 信息科学与技术学院 智能感知智慧运维实验室, 成都 611756;2. 西南交通大学 计算机与人工智能学院, 成都 611756;3. 西南交通大学 综合交通大数据应用技术国家工程实验室, 成都 611756

关键词：小目标检测,YOLOv4算法,空洞卷积,反馈机制,递归特征金字塔

基金：四川省科技计划项目（2020SYSY0016）。

随着卷积神经网络与特征金字塔的发展，目标检测在大、中目标上取得了突破，但对于小目标存在漏检、检测精度低等问题。在YOLOv4算法的基础上进行改进，提出YOLOv4-RF算法，进一步提高模型对小目标的检测性能。使用空洞卷积替换YOLOv4中Neck部分的池化金字塔，在网络更深处减少语义丢失的同时获得更大的感受野。在此基础上，对主干网络进行轻量化并增加特征金字塔到主干网络的反馈机制，对来自浅层与深层融合的特征再次处理，保留更多小目标的特征信息，提高网络分类和定位的有效性。鉴于小目标物体属于困难检测样本，引入Focal Loss损失函数，增大困难样本的损失权重，形成YOLOv4-RF算法。在KITTI数据集上的实验数据表明，YOLOv4-RF在各个类别上的检测精度均高于YOLOv4，并在模型缩小138 MB的基础上提高了1.4%的平均精度均值（MAP@0.5）。

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