《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 设计应用 > 基于Involution Prediction Head的小目标检测算法
基于Involution Prediction Head的小目标检测算法
2022年电子技术应用第11期
安鹤男1，邓武才1，管 聪2，姜邦彦2
1.深圳大学 电子与信息工程学院，广东 深圳518000；2.深圳大学 微纳光电子学研究院，广东 深圳518000
摘要： 针对通用目标检测算法在检测小目标时存在错检和漏检等问题,提出了一种小目标检测算法IPH(Involution Prediction Head)，将其运用在YOLOv4和YOLOv5的检测头部分，在VOC2007数据集上的实验结果表明，运用IPH后的YOLOv4小目标检测精度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%。经智能交通检测数据集进一步检验，IPH算法和去下采样能有效提升小目标检测精度，减少错检和漏检的情况。
中圖分類號(hào)： TP391.4
文獻(xiàn)標(biāo)識(shí)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(biāo)檢測(cè)算法[J].電子技術(shù)應(yīng)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(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的一項(xiàng)基本任務(wù)。隨著硬件GPU以及卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Networks，CNN)的不斷發(fā)展，目標(biāo)檢測(cè)取得了顯著的發(fā)展，已廣泛應(yīng)用于自動(dòng)駕駛、視覺搜索、虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)等許多應(yīng)用領(lǐng)域[1]。目前大多數(shù)最先進(jìn)的目標(biāo)檢測(cè)深度學(xué)習(xí)算法都是基于CNN，主要分為兩大類：兩階段(Two-stage)目標(biāo)檢測(cè)器和單階段(One-stage)目標(biāo)檢測(cè)器。Two-stage檢測(cè)器的典型網(wǎng)絡(luò)有fast R-CNN[2]、mask R-CNN[3]和faster R-CNN[4]。卷積神經(jīng)網(wǎng)絡(luò)將目標(biāo)檢測(cè)的過程分為兩個(gè)步驟，先使用區(qū)域生成網(wǎng)絡(luò)(Region Proposal Networks，RPN)生成稀疏的候選錨框，然后檢測(cè)對(duì)象的位置和類別。而One-stage算法則是端到端的目標(biāo)檢測(cè)方法，這類算法直接用一個(gè)CNN網(wǎng)絡(luò)預(yù)測(cè)目標(biāo)的位置和類別，不需要RPN網(wǎng)絡(luò)來生成錨框，因而檢測(cè)速度更快。One-stage檢測(cè)器的典型網(wǎng)絡(luò)有SSD[5]和YOLO[6-9]系列模型。

    小目標(biāo)檢測(cè)廣泛存在于目標(biāo)密集圖像和遠(yuǎn)距離成像目標(biāo)圖像中，作為目標(biāo)檢測(cè)的一部分，在現(xiàn)實(shí)中有著同樣重要的需求。無論是車牌號(hào)檢測(cè)、焊縫圖像檢測(cè)， 還是無人機(jī)航拍圖像，許多場(chǎng)景中都有小目標(biāo)的存在。 但由于小目標(biāo)像素信息占比小、紋理特征不明顯，小目標(biāo)的檢測(cè)比大中型目標(biāo)的檢測(cè)更為困難。由此可知， 小目標(biāo)檢測(cè)是目標(biāo)檢測(cè)研究領(lǐng)域中具有重要性和挑戰(zhàn)性的研究方向。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://m.ihrv.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(xué) 電子與信息工程學(xué)院，廣東 深圳518000；2.深圳大學(xué) 微納光電子學(xué)研究院，廣東 深圳518000)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。