在多数目标检测公开数据集中,小目标检测是一个研究热点。针对检测器在多尺寸检测场景下对小目标检测精度不足的问题,文中提出基于YOLOv5s(You Only Look Once version 5s)的小目标检测改进模型。模型在检测器的特征提取网络中加入卷积...在多数目标检测公开数据集中,小目标检测是一个研究热点。针对检测器在多尺寸检测场景下对小目标检测精度不足的问题,文中提出基于YOLOv5s(You Only Look Once version 5s)的小目标检测改进模型。模型在检测器的特征提取网络中加入卷积自注意力聚合残差块来提升特征提取能力,同时从浅层网络中引入新的特征图增强小目标的特征信息,改进特征融合网络结构,以便充分利用新引入的浅层特征。引入SIOU Loss替换原GIOU Loss矩形框损失函数,提升检测精度和训练速度。实验结果表明,在PASCAL VOC的2007和2012数据集上,改进模型检测精度比YOLOv5s提高0.012,小目标检测精度比YOLOv5s提高0.023;在MS COCO数据集上改进模型比YOLOv5s的检测精度提高0.001,小目标检测精度比YOLOv5s提高0.009。展开更多
文摘在多数目标检测公开数据集中,小目标检测是一个研究热点。针对检测器在多尺寸检测场景下对小目标检测精度不足的问题,文中提出基于YOLOv5s(You Only Look Once version 5s)的小目标检测改进模型。模型在检测器的特征提取网络中加入卷积自注意力聚合残差块来提升特征提取能力,同时从浅层网络中引入新的特征图增强小目标的特征信息,改进特征融合网络结构,以便充分利用新引入的浅层特征。引入SIOU Loss替换原GIOU Loss矩形框损失函数,提升检测精度和训练速度。实验结果表明,在PASCAL VOC的2007和2012数据集上,改进模型检测精度比YOLOv5s提高0.012,小目标检测精度比YOLOv5s提高0.023;在MS COCO数据集上改进模型比YOLOv5s的检测精度提高0.001,小目标检测精度比YOLOv5s提高0.009。
