基于YOLOx残差块融合CoA模块的改进检测网络

摘要：

YOLOx-Darknet53是以YOLOv3为基准增加各种技巧(trick)升级改进的检测网络,但其仍然是以Darknet53为特征提取骨干网络(backbone),因此网络的特征提取能力仍有欠缺.本文依据CoTNet中的注意力机制改进得到CoA(contextual attention)模块,并将其替代YOLOx骨干网络残差块里的3×3卷积,得到融合注意力后的新残差块,加强了骨干网络的特征提取能力,并在Pascal VOC2007数据集上进行对比实验,融合CoA模块的网络比原网络的平均精度均值AP@[.5∶.95]高1.4,AP@0.5高1.4;在改进骨干网络后的YOLOx检测头前加入无参3D注意力模块,得到最终改进的检测网络,进行上述对比实验,结果表明比原网络的AP@[.5∶.95]高1.6,AP@0.5高1.5.因此,改进后的网络比原网络检测更加精准,在工业应用中能达到更好的检测效果.

关键词：YOLOx、骨干网络、残差块、CoA模块、3D注意力、深度学习、目标检测

所属期刊栏目：31

分类号：TP391;TN402;TP278

在线出版日期：2022-08-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：245-251