结合FPN的改进YOLOv3车辆实时检测算法

摘要

目前,在对道路车辆进行实时检测过程中还存在检测速度慢和小目标车辆漏检率高等问题。针对该问题,通过分析YOLOv3的网络结构,发现其残差块的结构较为简单,对于小目标车辆特征的提取不够丰富。为此借鉴FPN网络的结构特征,重新构造了特征金字塔模块替换原来的残差模块,并提出了结合FPN的改进YOLOv3模型。改进模型的网络层相较于之前具有更丰富的语义特征(即目标信息),有效的解决了顶层特征在不断卷积池化中可能忽略丢失小目标信息的问题。实验结果表明:改进后的网络结构模型在综合性能上有着一定的提升,其中检测精度较原有YOLO算法提升了5个百分点,此外召回率也从原有的83%提升至89%,召回率提升较为明显,速度方面也能达到实时性检测的要求。