针对CenterNet缺点的安全帽检测算法改进

为解决安全帽数据集上识别率较低的问题,本文提出了一种基于改进CenterNet网络结构的检测方法 .针对CenterNet多分类时热度图预测结果较差的问题,本文尝试在损失函数上进行改进,提出了Focal-Mse-One损失以及Focal-Mse-Guss损失,并且对这两个损失函数以及原始的Focal损失函数进行对比;针对CenterNet对推理过程中特征图复用性不高的问题提出了ASFF和DASFF结构并进行比较.实验结果表明,在GeForce GTX 1050显卡上推理速度可以达到20.78帧.在安全帽数据集上IOU为0.5时mAP值可达81.43%,相较于原始CenterNet提升了3.63%.文中提出的改进方法可以在没有明显增加推理时间的前提下明显提高安全帽的检测精度.