基于多尺度的Yolov3目标检测算法的改进

摘要

在深度学习算法中,Yolov3目标检测算法检测速率高,实时性强,但检测精度低.本文在Yolov3算法的基础上,引入Res2Net多尺度模块,有效增加了特征层的感受野范围,增强了特征提取能力;在预测框回归时,引入CIoU交并比算法,通过在损失函数中加入新的惩罚因子,提高了目标框回归精度;在训练过程中引入随机擦除数据增强策略,在整个图像和每个对象边界框中选取擦除区域,之后选取随机像素值对所选区域进行覆盖,提升了模型的泛化能力.选取PASCAL VOC 2012数据集作为本文的数据集,与主流目标检测算法进行对比.实验结果表明:改进后不同种类的AP值与之前的Yolov3算法相比均得到了提升,改进后算法的mAP比原算法提升了3.4%,而且消融实验进一步证明了改进部分的合理性与有效性.本文对特征网络结构与预测框回归部分的改进,有效提高了Yolov3目标检测算法的检测精度.