田新春

摘要：目標(biāo)檢測作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要問題之一，近年來隨著深度學(xué)習(xí)的不斷發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測算法越來越受到廣泛的關(guān)注。在近年來較新的目標(biāo)檢測算法中，選用YOLOv3（You Only Look Once v3）算法，并在其基礎(chǔ)上為進(jìn)一步提高檢測精度，再增加一個(gè)特征尺度，與其他特征尺度進(jìn)行特征融合，并使用k-means聚類重新確定錨框，同時(shí)增加一定的網(wǎng)絡(luò)層數(shù)。實(shí)驗(yàn)在PASCAL VOC數(shù)據(jù)集完成，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的YOLOv3算法檢測精度和召回率達(dá)到了75.3%和98.1%，較原算法分別提高了2.3%和0.7%。

關(guān)鍵詞： YOLOv3; 目標(biāo)檢測; 特征融合; k-means; PASCAL VOC

中圖分類號：TP181? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）25-0028-03

Abstract：Object detection is one of the important problems in the field of computer vision. In recent years， with the continuous development of deep learning， target detection algorithms based on deep learning have attracted more and more attention. Among the newer target detection algorithms in recent years， YOLOV3 （You Only Look Once V3） algorithm is selected. In order to further improve the detection accuracy， another feature scale is added to carry out feature fusion with other feature scales. In addition， k-means clustering is used to redetermine the anchor frame and at the same time， a certain number of network layers are added. Experimental results show that the detection accuracy and recall rate of the improved YOLOV3 algorithm reach 75.3% and 98.1%， which are 2.3% and 0.7% higher than the original algorithm， respectively.

Key words：YOLOv3;? object detection;? k-means;? feature fusion;? PASCAL VOC

1 引言

目標(biāo)檢測是計(jì)算機(jī)視覺領(lǐng)域中最基本也最具挑戰(zhàn)性的問題之一，近年來隨著深度學(xué)習(xí)的不斷發(fā)展取得了十分顯著的成果，同時(shí)也被應(yīng)用于許多領(lǐng)域，如人臉檢測、行人檢測、車輛檢測、文本檢測等等。在目標(biāo)檢測方面，國內(nèi)外學(xué)者先后提出了許多不同的算法。自2012年Krizhcvsky等人提出AlexNet[1]這種深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型起，計(jì)算機(jī)視覺領(lǐng)域大部分研究重點(diǎn)都放在了深度學(xué)習(xí)方法之上。從R-CNN[2]、SPP-Net[3]、Fast R-CNN[4]、Faster R-CNN[5]等這些two-stage算法，再到Y(jié)OLO[6]（You Only Look Once）、YOLOv2[7]、YOLOv3[8]、SSD[9]等one-stage算法，檢測精度和檢測速度逐漸提升。本文在YOLOv3算法的基礎(chǔ)上進(jìn)行了改進(jìn)，經(jīng)實(shí)驗(yàn)對比證明，與原YOLOv3算法相比檢測效果得以提升。

2? YOLO算法

在YOLO算法出現(xiàn)之前，目標(biāo)檢測需要重新利用分類器來進(jìn)行檢測，流程復(fù)雜，很難優(yōu)化。YOLO算法則將目標(biāo)檢測框架看作回歸問題，從空間上分割邊界框和相關(guān)的類別概率，經(jīng)過一次評估即從圖像上預(yù)測邊界框和類別概率，可以實(shí)現(xiàn)直接對檢測性能端到端的優(yōu)化，檢測速度得到大大的提升。

YOLO算法首先將輸入圖像分為S×S個(gè)網(wǎng)格，如果某個(gè)目標(biāo)的中心位置坐標(biāo)在某個(gè)網(wǎng)格中，這個(gè)網(wǎng)格就負(fù)責(zé)檢測這個(gè)目標(biāo)，如圖1所示。每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測B個(gè)邊界框（bounding box），每個(gè)邊界框再負(fù)責(zé)預(yù)測邊界框位置（x，y，w，h），其中（x，y）為邊界框的中心坐標(biāo)，（w，h）為邊界框的寬和高。此外還要預(yù)測置信度（confidence score，即該位置有目標(biāo)的置信度），以及C個(gè)類別概率（即該目標(biāo)屬于哪一類別的概率）。

YOLOv2在YOLO的基礎(chǔ)上作出一些改進(jìn)，在每個(gè)卷積層后添加批量歸一化層（Batch Normalization），加快訓(xùn)練的收斂速度，有利于模型的正則化，采用Darknet-19作為主干網(wǎng)絡(luò)，使用分辨率更高的分類器，并使用錨框（anchor box）進(jìn)一步提升精度。

YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)由Darknet-53和檢測網(wǎng)絡(luò)兩部分組成，分別用于特征提取和多尺度預(yù)測。主干網(wǎng)絡(luò)Darknet-53在YOLOv2的Darknet-19基礎(chǔ)上改進(jìn)而成，由卷積層和殘差層構(gòu)成，如表一所示，在這里去掉了所有的Maxpool層，并增加了更多卷積層，共包含23個(gè)殘差塊。YOLOv3首先將原始圖像縮放到416×416的大小，接著通過DarkNet-53網(wǎng)絡(luò)將原始圖像按照特征圖的尺度大小劃分為S×S個(gè)等大的單元格，對應(yīng)的3個(gè)尺度的特征圖大小為13×13、26×26、52×52，再對這些特征圖進(jìn)行特征融合。經(jīng)過5次下采樣，最終輸出大小為輸入的1/32。該算法使用殘差網(wǎng)絡(luò)結(jié)構(gòu)作為特征提取器，并采用FPN架構(gòu)（Feature Pyramid Networks，特征金字塔網(wǎng)絡(luò)）來實(shí)現(xiàn)多尺度檢測，使得分類效果更好，在小目標(biāo)上的識別率也有所提升，由于網(wǎng)絡(luò)層次加深，所以速度相較YOLOv2會(huì)稍慢，但檢測精度進(jìn)一步得到提升。