基于YOLOv3的军事目标检测算法改进

◆张奔 贾婧 王伟

基于YOLOv3的军事目标检测算法改进

◆张奔 贾婧 王伟

（北方自动控制技术研究所 山西 030006）

YOLOv3目标检测模型预设的anchor boxes是在VOC数据集上采用K-means聚类算法得到，并不适用于本文研究的巡飞弹对地目标侦察的使用场景。同时，K-means聚类算法在训练数据集上无法得到稳定的最优解。本文通过改进聚类算法，并对军事目标数据集重聚类后，更新anchor boxes数据。训练模型后的avg-IOU和loss曲线表明，改进算法使模型更快速地收敛，同时能够获得更高质量的目标检测结果。

YOLOv3；k-means；军事目标；重聚类

巡飞弹在执行作战任务的过程中，对地目标侦察是非常重要的一个环节[1]，而YOLO系列目标检测模型在实时目标检测领域具有优秀的性能[2]。基于特征描述子的方法设计局部纹理特征，然后进行全局特征目标检测[3]。后续基于深度神经网络的方法有R- CNN，在此基础上又发展出了Fast R-CNN、Faster R-CNN等[4]。本文通过对均值聚类算法的研究，改进K-means算法，从而提高聚类结果稳定性，改善模型训练过程和目标检测效果。

1 YOLOv3目标检测算法

YOLOv3算法首先通过特征提取网络Darknet53对输入图像提取特征[5]，得到图像对应的特征图，大小比如13×13，然后输入图像可以被认为分成了13×13个grid cells，接着如果真实图像中某个目标的中心坐标落在哪个grid cell中，那么就由该grid cell来预测该目标。每个grid cell都会预测3个边界框，并给出相应的objectness score。最后通过非极大值抑制算法排除冗余的预测候选框，完成对图像中目标的检测。如图1所示，网络在每个Cell上会预测3个边界框，其中每个边界框会用5个预测值表示，分别是：，tx，ty，th，tw，to，其中前四个是边界框坐标的offset值，最后一个是置信度。……