【读论文】基于改进卷积神经网络的交通场景小目标检测

摘要部分

针对复杂交通场景中较小车辆检测存在的问题，本文提出了改进 YOLOv3 的城市交通车辆检测方法 Superior-YOLOv3(S-YOLOv3)。该方法首先**利用 ResNet 网络结构改进 YOLOv3 的 Darknet-53 特征提取网络**，充分提取图像浅层特征信息；并将 YOLOv3的 3个尺度检测增加至 4个尺度，融合提取的浅层特征信息和高层语义信息；最后改进原有的 损失函数，根据检测目标的大小调整对损失的影响权重，并利用 K-means 算法生成 anchor box。经过在 KITTI数据集上的 Car、 Van、Truck 以及 Tram 类别的实验证明，相比 YOLOv3 算法，本文改进后的网络平均检测速度提高至 52.45f/s，满足了实时性 的要求，且车辆检测的 mAP 提升至 93.30%，通过对比实验结果表明，本文改进的模型能够有效利用浅层特征信息，融合不同尺度的特征层，增强了特征金字塔的表征能力，加速了模型收敛能力，提高小目标的检测精度和查全率。

YOLOv3的缺点和如何改进

YOLOv3 的特征提取网络存在过深的问题，损失了检测速度，且没有充分利用浅层特征进行融合，另外其损失函数设计也存在不合理之处。

针对 YOLOv3 的不足之处，提出了改进 的 Suprior-YOLOv3 网络（S-YOLOv3），通过使用 ResNet 网络改进 YOLOv3 较 深 的 特 征 提 取 结 构 Darknet-53,增强低层特征的表征能力；利用 FPN 网 络获取目标的 4 个尺度特征，充分融合浅层特征和 深层特征信息，有效增强小目标物体、相互遮挡物 体的检测效果；改进原有的损失函数，调整大小不 同的目标对损失的影响权重，降低大的目标误差对 小目标的影响，加速模型的收敛，提升小目标的检测准确率。

Superior-YOLOv3(S-YOLOv3)算法原理

1.特征提取网络改进
特征提取网络在原始 YOLOv3 的Darknet-53 结构的基础上改进，构建了Darknet-50结构
在特征提取的卷积过程中继续利用 ResNet 结构进行恒等映射与残差分支，注重浅层特征信息的提取；同时去掉 YOLO 检测层前的两组卷积层，简化网络结构。 在保证检测满足实时性要求的前提下，提升检测精度， 降低漏检率。