基于轻量级网络的小目标检测算法

摘要：

针对YOLOv5算法在检测小目标时存在准确率较低的情况,提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法.首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验,对小目标实现更精确的锚框尺寸,使模型能适应不同大小的目标;其次利用简化正负样本分配策略(SimOTA)进行动态样本匹配,更好地优化损失函数;最后将空间上下文金字塔(SCP)模块集成到算法检测层中,促使骨干网络更加关注小目标的特征信息,用以增加目标特征提取能力,提高目标的检测准确率.结果表明,改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较,算法在检测精确度(P)方面提高了4%,召回率(R)方面提高了2.4%,平均检测精度(mAP)提高了3.1%,损失函数值(Loss)降低了5%,最终检测精度为95.38%.

关键词：小目标检测、轻量级网络、特征提取、优化损失函数、YOLOv5、K-means++

所属期刊栏目：47

分类号：TN711-34;TP751(基本电子电路)

资助基金：国家自然科学基金;中央引导地方科技发展资金项目;中北大学研究生科技立项项目

在线出版日期：2024-01-08（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：44-50