文献类型：期刊文章

作　　者：蒋镕圻[1,2] 彭月平[1] 谢文宣[1] 谢郭蓉[1,2]

JIANG Rong-qi;PENG Yue-ping;XIE Wen-xuan;XIE Guo-rong(School of Information Engineering,Engineering University of PAP,Xi’an Shaanxi 710086,China;Graduate Team,Engineering University of PAP,Xi’an Shaanxi 710086,China)

机构地区：[1]武警工程大学信息工程学院,陕西西安710086 [2]武警工程大学研究生大队,陕西西安710086

出　　处：《图学学报》

基　　金：武警工程大学科研创新团队课题(KYTD201803);武警工程大学基础研究项目(WJY201905)。

年　　份：2021

卷　　号：42

期　　号：4

起止页码：546-555

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、ZGKJHX、核心刊

摘　　要：为解决目标检测任务中小目标检测精度低,错检、漏检率高等问题,提出一种scSE-IYOLOv4的改进YOLOv4的小目标检测算法。实验使用VEDAI小目标数据集,采用K-means++算法对目标样本进行锚定框优化,以提升算法精度。在YOLOv4算法的基础上,分别研究分析了scSE注意力模块嵌入至模型不同位置以及在模型颈部增加SPP模块对算法检测性能带来的影响。实验证明,在YOLOv4模型的骨干网“Add”和“concat”层后嵌入scSE注意力模块,以及在颈部增加SPP模块均能有效提升算法对小目标的检测精度,在VEDAI测试集上mAP@0.5均提升了2.4%。根据YOLOv4算法模型骨干网和颈部改进的实验结果,提出scSE-IYOLOv4目标检测算法。实验证明scSE-IYOLOv4算法能显著提升小目标的检测精度,在VEDAI测试集上mAP@0.5值较YOLOv4提升了4.1%,在PASCAL VOC数据集上mAP@0.5提升了2.2%。

关 键 词：小目标检测 YOLOv4  scSE注意力  空间金字塔池化  K-means++  

分 类 号：TP391]