基于YOLOv3模型的高阶目标检测方法

目标检测是计算机视觉的重要分支,目前基于深度学习的目标检测算法相较于传统目标检测算法在检测精度和检测时间上虽能略胜一筹,但其难以同时兼顾检测速度与检测精度,因此针对这一问题提出了改进YOLOv3后的Mul-YOLO目标检测网络。Mul-YOLO目标检测网络利用Haar小波进行数据预处理,将图像信息的低频特征在不同分辨率下层层分解,用以获得水平方向、垂直方向以及斜对角方向上的高频特征,进而利用高频特征记录的相应特征信息,减小被检测目标在几何状态变化、光照变化和背景变化下对检测精度带来的负面影响。在特征层上采样、卷积和拼接的过程中融入高阶计算,由此增强在有限的感受野内的特征表述能力,使得训练网络更加关注映射特征的显著性信息,增强了图像的分辨率,有效地减少了数据集训练过程中由连续的卷积和池化带来的信息丢失问题。在PASCAL VOC数据集下的实验结果表明,本文提出的Mul-YOLO目标检测模型相较于传统目标检测模型有了明显的改进,比如相较于Faster R-CNN ResNet提取特征的方法,mAP提高了8.97%,并且单张图片的检测时间提高了172 ms。与YOLOv3提取特征的方法相比,其mAP提高了33.48%,达到了检测精度与检测时间同时相得益彰的目的,综合其他比较结果,本文方法的有效性可以有效地得以验证。