实时目标检测算法YOLO的批再规范化处理-计算机应用研究.PDF

第３５卷第１０期 计 算 机 应 用 研 究 Ｖｏｌ３５Ｎｏ１０ ２０１８年１０月　 ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ Ｏｃｔ．２０１８ 实时目标检测算法ＹＯＬＯ的批再规范化处理 温捷文，战荫伟，凌伟林，郭灿樟 （广东工业大学计算机学院，广州５１０００６） 摘　要：实时目标检测ＹＯＬＯ（ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ）算法存在检测精度低和网络模型训练速度慢等问题，对此，结 合批再规范化算法处理小批样本以及非独立同分布数据的优势，引入批再规范化处理对ＹＯＬＯ网络结构予以改 进，即把卷积层中经卷积运算产生的特征图看做神经元，并对其进行规范化处理。同时，在网络结构中移除 ｄｒｏｐｏｕｔ，并增大网络训练的学习率。实验结果表明，该改进算法相对于原ＹＯＬＯ算法具有更高的检测精度、更快 的实时检测速度，并且通过适当设置批样本大小可使网络模型在训练时间和硬件设备方面成本有一定的降低。 关键词：目标检测；深度学习；卷积神经网络；批再规范化；ＹＯＬＯ 中图分类号：ＴＰ３０１６　　　文献标志码：Ａ　　　文章编号：１００１３６９５（２０１８）１０３１７９０７ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１３６９５．２０１８．１０．０７０ ＢａｔｃｈｒｅｎｏｒｍａｌｉｚａｔｉｏｎｏｆｒｅａｌｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍＹＯＬＯ ＷｅｎＪｉｅｗｅｎ，ＺｈａｎＹｉｎｗｅｉ，ＬｉｎｇＷｅｉｌｉｎ，ＧｕｏＣａｎｚｈａｎｇ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０００６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｏｖｅｒｃｏｍｅｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｔｈａｔｌｏｗｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｌｏｗｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｏｆｔｈｅｒｅａｌｔｉｍｅｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍＹＯＬＯ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎａｌｇｏｒｉｔｈｍｔｈａｔａｄｄｅｄｔｈｅｂａｔｃｈｒｅｎｏｒｍａｌｉｚａｔｉｏｎｔｏｔｈｅＹＯＬＯｎｅｔｗｏｒｋｓｔｒｕｃ ｔｕｒｅ．Ｉｔｃｏｍｂｉｎｅｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆｂａｔｃｈｒｅｎｏｒｍａｌｉｚａｔｉｏｎ，ｗｈｉｃｈｈａｄｔｈｅｓｔｒｅｎｇｔｈｔｏｄｅａｌｗｉｔｈｓｍａｌｌｏｒｎｏｎｉ．ｉ．ｄ．ｍｉｎｉｂａ ｔｃｈｅｓ．Ｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｔｒｅａｔｅｄｔｈｅｆｅａｔｕｒｅｍａｐｓ，ｗｈｉｃｈｇｅｎｅｒａｔｅｄｆｒｏｍｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｌａｙｅｒｓ，ａｓａｃｔｉｖａｔｉｏｎｓ，ａｎｄｔｈｅｎ ｂａｔｃｈｅｄｒｅｎｏｒｍａｌｉｚｅｔｈｅａｃｔｉｖａｔｉｏｎｓ，ｍｅａｎｗｈｉｌｅｉｔｒｅｍｏｖｅｄｔｈｅｄｒｏｐｏｕｔｆｒｏｍｔｈｅｏｒｉｇｉｎａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅａｎｄｉｎｃｒｅａｓｅｄｌｅａｒ ｎｉｎｇｒａｔｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓａｌａｌｇｏｒｉｔｈｍｈａｓｂｅｔｔｅｒｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｆａｓｔｅｒｔｈａｎｂｅｆｏｒｅ，ａｎｄ ｆｕｒｔｈｅｒｍｏｒｅ，ｉｔｃａｎｄｅｃｒｅａｓｅｔｈｅｍｏｄｅｌｔｒａｉｎｉｎｇｔｉｍｅａｎｄｔｈｅｒｅｑｕｉｒｅｍｅｎｔｏｆｈａｒｄｗａｒｅｅｑｕｉｐｍｅｎｔ． Ｋｅｙｗｏｒｄｓ：ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ；ｄｅｅｐｌｅａｒｎｉｎｇ；ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ；ｂａｔｃｈｒｅｎｏｒｍａｌｉｚａｔｉｏｎ；ＹＯＬＯ 把ＨｏＧ特征和ＳＶＭ分类器结合。在一些检测任务上，ＤＰＭ取 　引言 得了非常好的检测效果。 深度学习中的卷