基于可变形卷积的改进YOLO目标检测算法

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.

关键词：YOLO算法;目标检测;感受野;可变形卷积;k-means++算法

所属期刊栏目：47

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家重点研发计划;上海市科技创新行动计划

在线出版日期：2021-10-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：269-275,282