目标检测论文解读复现之十六：基于改进YOLOv5的小目标检测算法

前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

针对目标检测中小目标误检、漏检及特征提取能力不足等问题，提出一种基于改进YOLOv5的小目标检测算法。该算法使用Mosaic-8方法进行数据增强，通过增加一个浅层特征图、调整损失函数，来增强网络对小目标的感知能力；通过修改目标框回归公式，解决训练过程中梯度消失等问题，提升了小目标的检测精度。将改进后的算法应用在密集人群情景下的防护面具佩戴检测中，实验结果表明，相较于原始YOLOv5算法，该算法在小目标检测上具有更强的特征提取能力和更高的检测精度。

二、网络模型及核心创新点

1. Mosaic-8数据增强

2.特征提取器

3. 损失函数

4.目标框回归

三、应用数据集

本文数据集来源于WIDER FACE、MAPA(Masked Faces) 这两个公开数据集和网络，从中手动筛选出密集人群场景下的佩戴口罩和未佩戴口罩的图片，最终得到训练集4 000张，测试集1 320张，共计5 320张。

四、实验效果（部分展示）

1. 为进一步验证本文算法的有效性，将本文算法与文献[23] 方法、AIZOO方法、原始YOLOv5 算法在同一测试集上进行测试，各项性能指标比较结果如下表所示。

2. 从下图看出，与其他算法相比，本文算法在密集人群口罩佩戴检测效果中表现突出，检测精度有明显上升，误检、漏检现象明显减少，对小目标异常角度、人脸区域存在遮挡的鲁棒性明显提升。

五、实验结论

本文在原有YOLOv5算法的基础上，分别从Mosaic数据增强、特征提取器、损失函数和目标框回归4个方面进行改进，有效地增强了YOLOv5网络模型对小目标物体的检测精度，改进后的算法检测速率相较于原始YOLOv5算法有所降低，但仍能满足实时性要求，可以直接应用在医学图像、遥感图像分析和红外图像中的小目标检测等实际场景中。

六、投稿期刊介绍

注：论文原文出自郭磊、王邱龙、薛伟、郭济；基于改进YOLOv5的小目标检测算法；电子科技大学学报.

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。