改进YOLOX-S模型的施工场景目标检测

摘要：

现有YOLOX-S模型在施工环境干扰下目标检测平均精准率(AP)偏低,不能较好满足实际应用需要.针对上述问题,从引入结构重参数化模块、引入卷积注意力模块、引入AdamW优化算法三方面对YOLOX-S模型进行改进.首先,利用RepVGGBlock解耦训练阶段与测试阶段的模型结构,在训练阶段模型的Backbone与Neck中构建更多残差结构,提高模型的特征提取能力.其次,利用LKA模块提取局部特征信息与长距离依赖关系,为后续计算目标边界框位置与大小提供更加有效的注意力指引,提升检测平均精准率.然后,使用AdamW优化算法替代Adam优化算法更新模型参数,进一步改良模型收敛结果,提升模型泛化能力.最后,在建筑工地运动目标数据集(MOCS)上进行实验,结果表明,改进YOLOX-S模型检测所有目标的平均精准率提升3.3个百分点,检测大目标、中目标、小目标的平均精准率分别提升3.2、2.3、2.2个百分点.同时,改进YOLOX-S模型计算代价未明显增加,可在实时运行的同时更好满足施工场景下对目标检测平均精准率的需要.

关键词：目标检测、施工场景、结构重参数化、大核注意力、YOLOX-S

所属期刊栏目：17

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;中央高校基本科研业务费专项

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1089-1101