基于YOLO的多类别多目标检测算法改进

针对智能驾驶感知算法检测效果不佳、模型过大等问题,在YOLO V3算法上进行改进,首先选取了一种更加高效且更符合实际需求的激活函数——GELU激活函数,构建的DBG模块不仅在负区间对数值处理更加得当,且在一定程度上抑制过拟合倾向;考虑到目标语义信息和位置信息分布不均对检测效果的影响,提出‘双塔结构’将两种信息进一步融合,并在中路增加DBG模块对融合后的信息强化提取,进一步提升目标的识别率;本着精度不变的条件下模型越小越好的原则对模型进行层级剪枝优化,提高了智能驾驶感知算法的检测速度且降低了模型大小。实验首先通过K-Means聚类算法生成先验框,最后在BDD100K数据集上进行测试,实验结果相比YOLO v3算法,Bus检测精度提升了5%,Bike和Rider检测精度提升了3%;改进前后mAP提高了2.375%;且FPS提升7%;模型大小由240882KB减少到234134KB,具有更好的实用性。