为有效解决小目标难以召回、易发生漏检的问题,提出一种基于特征融合和特征增强的YOLOv3改进算法。为增强模型的泛化性能,训练时利用Mosaic和Mixup方法联合数据增强。首先,为改善小目标检测召回率低的问题,延伸原特征融合网络至更浅层,...为有效解决小目标难以召回、易发生漏检的问题,提出一种基于特征融合和特征增强的YOLOv3改进算法。为增强模型的泛化性能,训练时利用Mosaic和Mixup方法联合数据增强。首先,为改善小目标检测召回率低的问题,延伸原特征融合网络至更浅层,并添加自底向上特征金字塔,使浅层特征层的细节和定位信息更多地传递至深层;其次,提出一种特征增强模块,增大感受野,使浅层特征层获得丰富的深层语义信息,优化特征层的表达能力;最后,将GIoU作为回归损失函数,以降低漏检率,实现更准确的回归。在Pascal VOC2007和VOC2012上进行仿真实验,实验结果表明,改进算法在保证检测速度的前提下,mAP(mean average precision)值提高4.4%。结果充分证明本文算法能有效提升小目标检测性能。展开更多
文摘为有效解决小目标难以召回、易发生漏检的问题,提出一种基于特征融合和特征增强的YOLOv3改进算法。为增强模型的泛化性能,训练时利用Mosaic和Mixup方法联合数据增强。首先,为改善小目标检测召回率低的问题,延伸原特征融合网络至更浅层,并添加自底向上特征金字塔,使浅层特征层的细节和定位信息更多地传递至深层;其次,提出一种特征增强模块,增大感受野,使浅层特征层获得丰富的深层语义信息,优化特征层的表达能力;最后,将GIoU作为回归损失函数,以降低漏检率,实现更准确的回归。在Pascal VOC2007和VOC2012上进行仿真实验,实验结果表明,改进算法在保证检测速度的前提下,mAP(mean average precision)值提高4.4%。结果充分证明本文算法能有效提升小目标检测性能。
