基于可变形卷积的改进YOLO目标检测算法

• 作者: 黄凤琪 陈明 冯国富
• 来源期刊: 计算机工程
• 关键词: YOLO算法 目标检测 感受野 可变形卷积 k-means++算法
• 年，卷（期）: 2021,（10）
• 所属期刊栏目: 开发研究与工程应用|Development Research and Engineering Application
• 页码范围: 269-275,282
• 页数: 8页
• 分类号: TP391.41
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0059096

摘要

针对YOLO目标检测算法存在边界框定位不准确及对小目标检测精度低的问题,提出一种改进的YOLO目标检测算法dcn-YOLO.使用k-means++算法聚类出更符合数据集尺寸的锚盒,以降低初始点对聚类结果的影响并加快网络训练收敛速度.构建残差可变形卷积模块res-dcn,分别采用将其嵌入YOLO第一特征提取头模块中和替换3个YOLO特征提取头模块的方式,构建两种改进的dcn-YOLO算法,使网络可以自适应地学习特征点的感受野,从而对不同尺寸和形状的目标提取更有效的特征,提高检测精度.在VOC数据集上的实验结果表明,该算法能有效提高目标检测精度,mAP达到82.6％,相比YOLO、SSD、Faster R-CNN,分别高出了2.1、5.2、9.4个百分点.