基于改进TOOD的目标检测算法研究.pdf

中文摘要

目标检测的目的是从自然图像中识别和定位出感兴趣的目标，目前已广泛应

用于人脸识别、自动驾驶、异常检测等领域。传统的目标检测算法通过人工设计

的特征描述算子提取特征；然而在一些复杂场景下，传统的方法难以获取良好的

检测结果。随着人工智能的发展，基于深度学习的目标检测算法得到了广泛的应

用。在一些复杂场景下，与传统的目标检测算法相比，基于深度学习的目标检测

算法能取得更加优异的检测性能。本文以TOOD算法为基准进行研究，具体工

作内容如下：

（1）TOOD算法利用ResNet网络加深网络深度以提高模型的信息提取能

力，但这增加了模型的复杂度，降低了训练速度；且将GIoULoss作为该算法的

回归损失函数，忽略了预测框和真实框之间的最小外接矩阵框的对角线长度、高

宽比和欧氏距离，降低了预测框的回归精度。针对以上问题，提出基于RegNet

与CIoU的轻量化目标检测算法。该算法采用RegNet网络，结合NAS和人工设

计的优点，降低模型的复杂度；引入CIoULoss，将预测框和真实框之间的高宽

比、欧式距离以及最小外接矩阵框的对角线长度纳入损失函数中，提高预测框的

回归精度。PascalVOC数据集上的实验结果表明，与TOOD算法相比，该算法

的参数量和浮点运算次数分别减少了15.60M、32.37G，且均值平均精度增加了

2.42%。此外，该算法的F1值和均值平均精度均优于其他5种主流对比算法。

（2）针对TOOD算法鲁棒性差、特征金字塔顶层丢失部分语义信息、不同

尺度特征层存在语义差距的问题，提出随机缩放混合与跨尺度特征增强的任务对

齐目标检测算法。该算法提出2×4混合增强方法，丰富训练样本，提高模型的

泛化性和鲁棒性；构造多重残差特征增强模块，自适应融合顶层不同尺度的上下

文信息，减少最高层语义信息的损失；构建堆叠金字塔卷积模块，缩小不同尺度

特征层之间的语义差距，提升多尺度特征的融合效果。PascalVOC数据集上的

实验结果表明，所提算法的均值平均精度、查准率、查全率分别比TOOD算法

提高了3.76%、15.71%、6.28%；而且该算法的F1值与均值平均精度均优于6

种主流对比算法。

关键词：目标检测；TOOD；缩放混合；金字塔卷积；残差特征增强

ABSTRACT

Objectdetectionaimstoidentifyandlocatethetargetofinterestfromthenatural

image,whichhasbeenwidelyusedinfacerecognition,automaticdriving,anomaly

detectionandotherfields.Thetraditionalobjectdetectionalgorithmextractsthe

featuresbyusingtheartificiallydesignedfeaturedescriptors.However,insome

complexscenarios,itisdifficultfortraditionalmethodstoachievesatisfactory

detectionresults.Withthedevelopmentofartificialintelligence,objectdetection

algorithmsbasedondeeplearninghavebeenwidelyused.Insomecomplexscenarios,

thedetectionperformanceofobjectdetectionalgorithmsbasedondeeplearningis

betterthanthatoftraditionaldetectionalgorithms.Inthispaper,TOODalgorithmis

usedasthebe