基于Involution Prediction Head的小目标检测算法-AET-电子技术应用

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。

关键词： YOLOv4 IPH 小目标检测特征提取注意力机制

中图分类号： TP391.4
文献标识码： A
DOI：10.16157/j.issn.0258-7998.223161
中文引用格式： 安鹤男，邓武才，管聪，等. 基于Involution Prediction Head的小目标检测算法[J].电子技术应用，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

目标检测是计算机视觉领域的一项基本任务。随着硬件GPU以及卷积神经网络(Convolution Neural Networks，CNN)的不断发展，目标检测取得了显著的发展，已广泛应用于自动驾驶、视觉搜索、虚拟现实、增强现实等许多应用领域^[1]。目前大多数最先进的目标检测深度学习算法都是基于CNN，主要分为两大类：两阶段(Two-stage)目标检测器和单阶段(One-stage)目标检测器。Two-stage检测器的典型网络有fast R-CNN^[2]、mask R-CNN^[3]和faster R-CNN^[4]。卷积神经网络将目标检测的过程分为两个步骤，先使用区域生成网络(Region Proposal Networks，RPN)生成稀疏的候选锚框，然后检测对象的位置和类别。而One-stage算法则是端到端的目标检测方法，这类算法直接用一个CNN网络预测目标的位置和类别，不需要RPN网络来生成锚框，因而检测速度更快。One-stage检测器的典型网络有SSD^[5]和YOLO^[6-9]系列模型。

小目标检测广泛存在于目标密集图像和远距离成像目标图像中，作为目标检测的一部分，在现实中有着同样重要的需求。无论是车牌号检测、焊缝图像检测，还是无人机航拍图像，许多场景中都有小目标的存在。但由于小目标像素信息占比小、纹理特征不明显，小目标的检测比大中型目标的检测更为困难。由此可知，小目标检测是目标检测研究领域中具有重要性和挑战性的研究方向。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000004999。

作者信息：

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)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容