基于Involution Prediction Head的小目标检测算法

作者：

安鹤男1，邓武才1，管 聪2，姜邦彦2

作者单位：

1.深圳大学 电子与信息工程学院，广东 深圳518000；

2.深圳大学 微纳光电子学研究院，广东 深圳518000。

摘要：

针对通用目标检测算法在检测小目标时存在错检和漏检等问题,提出了一种小目标检测算法IPH(Involution Prediction Head)，将其运用在YOLOv4和YOLOv5的检测头部分，在VOC2007数据集上的实验结果表明，运用IPH后的YOLOv4小目标检测精度APs(AP for small objects)相比原始算法提升了1.1%，在YOLOv5上的APs更是提升了5.9%。经智能交通检测数据集进一步检验，IPH算法和去下采样能有效提升小目标检测精度，减少错检和漏检的情况。

引言：

目标检测是计算机视觉领域的一项基本任务。随着硬件GPU以及卷积神经网络(Convolution Neural Networks，CNN)的不断发展，目标检测取得了显著的发展，已广泛应用于自动驾驶、视觉搜索、虚拟现实、增强现实等许多应用领域[1]。目前大多数最先进的目标检测深度学习算法都是基于CNN，主要分为两大类：两阶段(Two-stage)目标检测器和单阶段(One-stage)目标检测器。Two-stage检测器的典型网络有fast R-CNN[2]、mask R-CNN[3]和faster R-CNN[4]。卷积神经网络将目标检测的过程分为两个步骤，先使用区域生成网络(Region Proposal Networks，RPN)生成稀疏的候选锚框，然后检测对象的位置和类别。而One-stage算法则是端到端的目标检测方法，这类算法直接用一个CNN网络预测目标的位置和类别，不需要RPN网络来生成锚框，因而检测速度更快。One-stage检测器的典型网络有SSD[5]和YOLO[6-9]系列模型。

小目标检测广泛存在于目标密集图像和远距离成像目标图像中，作为目标检测的一部分，在现实中有着同样重要的需求。无论是车牌号检测、焊缝图像检测， 还是无人机航拍图像，许多场景中都有小目标的存在。但由于小目标像素信息占比小、纹理特征不明显，小目标的检测比大中型目标的检测更为困难。由此可知， 小目标检测是目标检测研究领域中具有重要性和挑战性的研究方向。

点

这里“阅读原文”，直达电子技术应用官网