论文阅读—嵌入 SENet 结构的改进 YOLOV3 目标识别算法

期刊：计算机工程
发表时间：2019.11

0. 平台配置

• 本文实验搭建的开发平台配置为: CPU选用Intel® Core™ i7-8700，GPU选用NVIDIA GeForce GTX 1080Ti，操作系统选用 Ubuntu 16.04LTS，深度学习框架为 Pytorch。

1.这篇文章要解决什么问题

• 提升对工业零件图像识别的查准率（P），减弱图像边缘残缺零件的干扰。

2.用了什么创新方法

• 结合K-means聚类与粒子群优化算法进行锚框计算，加速收敛
• 对YOLOv3网络嵌入SE结构。作者将改进的YOLOv3网络命名为：SE-YOLOv3

3.作者骄傲的结论是什么

• 该算法能够获得平均交并比为83.01% 的锚框，有效减少假正例数量，其查准率与查全率分别为90.39%和93.25%，查准率相比YOLOv3网络提升了19.19%。

4.这篇文章的不足

• 查全率（RP）相比YOLOv3降低了4.26%
• 由于增加了SE结构，增大了网络参数，从而导致FPS降低（训练速度变慢）

5.SE-YOLOv3网络结构图

• 基于 YOLOv3 在 darknet53 的每个残差结构后加入SE结构

6.SE结构

• SE结构是SEnet网络的核心，主要目的是从卷积核的channel角度对卷积核施加权重
• 作用是增强图片特征

7.改进锚框算法

• 为得到适用于上述数据集的锚框，本文设定粒子数为 20 并随机初始化前 19 个粒子，采用 K-means 算法迭代 3 000 次，将结果作为第 20 个粒子的位置，使用 PSO 迭代 1000次。

8.实验结果分析