YOLO系列目标检测算法及关键技术研究.pdfVIP

摘要

摘要

目标检测旨在对图像中的目标进行定位并分类，对后续的目标跟踪、人脸识别和

姿态估计等任务起着至关重要的作用。随着深度学习的发展，YOLO（YouOnlyLook

Once）系列目标检测算法也发展迅速，被广泛应用于自动驾驶、医学影像和社会安

全等各个领域。虽然诸多学者对其中的关键技术进行了研究，但仍存在一些挑战。

如单一尺寸的卷积核无法有效提取不同尺度的目标特征；基于传统特征金字塔结构

进行特征融合未充分利用全尺度的特征信息；使用二分交叉熵计算分类任务的损失

忽略了密集检测任务中的样本不平衡问题等等。

基于上述问题，本文围绕YOLO系列目标检测算法的关键技术展开研究，主要

研究内容如下：

1.针对骨干网络中仅使用3*3卷积进行特征提取，无法有效提取不同尺度目标

特征的问题，提出基于多尺度特征提取的目标检测算法。设计多尺度空洞卷积模块，

通过一种多分支的结构并行提取不同尺度的目标特征；基于坐标注意力模块对空间

信息赋予不同权重，以增强算法对目标的定位能力。实验结果验证了该算法在多尺

度目标检测中的有效性。

2.针对传统的特征金字塔结构利用垂直路径逐层传递特征，导致金字塔中每一

层的信息主要来自相邻特征图，模型未充分利用所有尺度目标特征的问题，提出基

于全尺度特征融合的目标检测算法。设计了一种全尺度跳层连接的结构，以融合所

有尺度的特征信息。实验结果表明该算法可进一步提升不同尺度目标的检测效果。

3.针对检测过程中的样本不平衡及目标分布不平衡问题，提出基于改进Focal

Loss损失函数的目标检测算法。引入FocalLoss计算分类任务的损失，以解决密集

检测任务中的难易样本失衡和正负样本失衡问题，同时基于不同类别的目标分布情

况对FocalLoss进行改进，以平衡算法对不同类别目标的学习能力。实验结果表明

使用改进FocalLoss对模型进行训练，算法的检测效果更优。

关键词：目标检测，YOLO，多尺度空洞卷积，全尺度跳层连接，改进FocalLoss

I

ABSTRACT

ABSTRACT

Objectdetectionisdesignedtolocateandclassifyobjectsinimages,whichplaysan

importantroleinsubsequenttaskslikeobjecttracking,facerecognitionandposeestimation.

YOLOsobjectdetectionalgorithmsadvancequicklyalongwithdeeplearningtechnology

andarewidelyemployedinavarietyofindustries,includingautonomousdriving,medical

imaging,andsocialsecurity.Althoughmanyscholarshavestudiedthekeytechnologies,

therearestillsomechallenges.Forexample,asingle-sizeconvolutionkernelcannot

efficientlyextractobjectfeaturesofmultiplescales;Thestandardfeaturepyramid-based

featurefusiondoesnotfullyutilizethefull-scalefeatureinformation;Binarycrossentropy

lossfunctionisusedtocalculatethelossofclassificationtask,wh