改进tiny-yolo的车辆检测算法

摘要

yolo算法在目标检测中具有良好的检测效果,由于其检测精度高,检测速度快,所以在实践操作中有广泛的应用。对于小型的tiny-yolo网络,中间包含了很多的池化层,很容易造成特征损失,直接导致后面卷积层特征骤减,最终影响网络的性能,尤其是对小目标的检测。一般来讲,前面卷积层的特征信息比较高,但是语义信息比较弱,相反,后面卷积层的特征信息比较低,但是却含有丰富的语义信息,为此论文试图结合两者的优点,通过使用反卷积操作,放大特征比较小的卷积层,并且融合前一卷积层的特征。与此同时通过重新对数据集进行聚类操作,共同提升网络对小目标的检测同时减少漏检率,实验结果表示,论文提出的改进算法具有一定的可行性,在AP上有一定的提升。