基于改进YOLOv3的轻量化神经网络算法研究

舒 军， 吴 柯， 雷建军

(1.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室， 武汉 430068；2.湖北第二师范学院基础教育信息技术服务湖北省协同创新中心， 武汉 430205)

近年来，基于人工深度神经网络[1]的目标检测识别技术得到了迅猛的发展，许多开源平台相继推出其标准数据集或图像识别竞赛，如ImageNet[2]、PASCAL VOC[3]、MS COCO[4]；一些优秀的神经网络检测框架也横空出世，近年来具有代表性的如RetinaNet[5]，R-FCN[6]，DSSD[7]和YOLOv3[8].由于人工神经网络具有可靠性高、计算速度快的特点，越来越多的深度神经网络被应用于指定的小样本数据集上的对象检测及分类[9].

在目前的主流算法中，YOLOv3是使用最先进技术的实时物体检测模型，YOLOv3的检测速度与检测精度对比各网络模型都能保持较高水平，详细性能对比如图1；由于其算法检测精准度达到高水平并满足实时检测的需求，故本研究基于YOLOv3进行小样本数据集的检测识别.

图1 各网络模型在MS COCO数据集上的性能Fig.1 Performance of each network model on MS COCO dataset

然而小样本数据集中的待测对象尺寸较为单一、尺度特征相对少，直接使用YOLOv3训练时生成特征的利用率低，牺牲了很多计算时间而检测精准度并没有明显提升；为了进一步提升在小样本数据集上的检测速度，充分利用网络性能，需要对YOLOv3改进以提升特征利用率，减少重复特征参与计算.

1 YOLOv3神经网络算法

YOLOv3神经网络算法框架于2018年被Joseph和Girshick等人提出，其网络相继使用过修改后的GoogleNet[10]、VGGNet[11]网络结构，最新版中使用ResNet[12]中的残差网络结构，加强了卷积(Conv)层之间的特征……