第四色在线观看,成人亚洲视频,99在线精品视频

基于Involution Prediction Head的小目標檢測算法

2022年電子技術應用第11期

安鶴男1，鄧武才1，管聰2，姜邦彥2

1.深圳大學電子與信息工程學院，廣東深圳518000；2.深圳大學微納光電子學研究院，廣東深圳518000

摘要： 針對通用目標檢測算法在檢測小目標時存在錯檢和漏檢等問題,提出了一種小目標檢測算法IPH(Involution Prediction Head)，將其運用在YOLOv4和YOLOv5的檢測頭部分，在VOC2007數據集上的實驗結果表明，運用IPH后的YOLOv4小目標檢測精度APs(AP for small objects)相比原始算法提升了1.1%，在YOLOv5上的APs更是提升了5.9%。經智能交通檢測數據集進一步檢驗，IPH算法和去下采樣能有效提升小目標檢測精度，減少錯檢和漏檢的情況。

關鍵詞： YOLOv4 IPH 小目標檢測特征提取注意力機制

中圖分類號： TP391.4
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.223161
中文引用格式： 安鶴男，鄧武才，管聰，等. 基于Involution Prediction Head的小目標檢測算法[J].電子技術應用，2022，48(11)：19-23.
英文引用格式： An Henan，Deng Wucai，Guan Cong，et al. Small object detection algorithm based on involution prediction head[J]. Application of Electronic Technique，2022，48(11)：19-23.

Small object detection algorithm based on involution prediction head

An Henan1，Deng Wucai1，Guan Cong2，Jiang Bangyan2

1.College of Electronics and Information Engineering，Shenzhen University，Shenzhen 518000，China； 2.Institute of Microscale Optoelectronics，Shenzhen University，Shenzhen 518000，China

Abstract： Aiming at the problems of false positive detection and low recall in the detection of small targets by the general target detection algorithm, a small target detection algorithm IPH(involution prediction head) is proposed, which is applied to the detection head of YOLOv4 and YOLOv5. The experimental results on the VOC2007 data set show that the detection accuracy APs(AP for small objects) of YOLOv4 after using IPH is improved by 1.1% compared with the original algorithm, and the APs on YOLOv5 is improved by 5.9%. Through further verification of the intelligent traffic detection data set, IPH algorithm and desampling can effectively improve the accuracy of small object detection and reduce false positive detection and missed detection.

Key words : YOLOv4；involution prediction head；small object detection；feature extraction；attention module

0 引言

目標檢測是計算機視覺領域的一項基本任務。隨著硬件GPU以及卷積神經網絡(Convolution Neural Networks，CNN)的不斷發展，目標檢測取得了顯著的發展，已廣泛應用于自動駕駛、視覺搜索、虛擬現實、增強現實等許多應用領域^[1]。目前大多數最先進的目標檢測深度學習算法都是基于CNN，主要分為兩大類：兩階段(Two-stage)目標檢測器和單階段(One-stage)目標檢測器。Two-stage檢測器的典型網絡有fast R-CNN^[2]、mask R-CNN^[3]和faster R-CNN^[4]。卷積神經網絡將目標檢測的過程分為兩個步驟，先使用區域生成網絡(Region Proposal Networks，RPN)生成稀疏的候選錨框，然后檢測對象的位置和類別。而One-stage算法則是端到端的目標檢測方法，這類算法直接用一個CNN網絡預測目標的位置和類別，不需要RPN網絡來生成錨框，因而檢測速度更快。One-stage檢測器的典型網絡有SSD^[5]和YOLO^[6-9]系列模型。

小目標檢測廣泛存在于目標密集圖像和遠距離成像目標圖像中，作為目標檢測的一部分，在現實中有著同樣重要的需求。無論是車牌號檢測、焊縫圖像檢測，還是無人機航拍圖像，許多場景中都有小目標的存在。但由于小目標像素信息占比小、紋理特征不明顯，小目標的檢測比大中型目標的檢測更為困難。由此可知，小目標檢測是目標檢測研究領域中具有重要性和挑戰性的研究方向。

本文詳細內容請下載：http://www.j7575.cn/resource/share/2000004999。

作者信息：

安鶴男1，鄧武才1，管聰2，姜邦彥2

(1.深圳大學電子與信息工程學院，廣東深圳518000；2.深圳大學微納光電子學研究院，廣東深圳518000)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容