基于金字塔模型和注意力机制的YOLO V3目标检测算法

高建瓴，冯娇娇，王子牛，韩毓璐，孙 健

（贵州大学 大数据与信息工程学院，贵阳 550025）

0 引 言

目标检测［1-3］是计算机视觉领域中一个具有挑战性的课题［4］，主要目的是从视频或者一些数据集中检测并定位特定的目标。由于目标所在的环境影响，至今还没有一种比较通用且成熟的检测方法。传统的目标检测算法已经难以满足现有数据的处理效率、速度和精度等各方面的要求。

随着网络的发展，陆陆续续出现很多基于深度学习［5］方法思想的目标检测模型。例如，一种是基于区域提取的R-CNN系列［6-8］为代表的目标检测，其次就是基于回归的目标检测算法，包括YOLO［9］（You Only Look Once）和SSD［10］（Single Shot Multi-BoxDetector）。在基于回归的方法中，YOLO第一个采用了回归思想，实现了one-stage检测的算法［11］。如今该算法已经从YOLO经YOLO V2发展到现在YOLO V3［12］，不论在检测速度方面还是在精度上，已远远超过第一代的YOLO。相比作为后辈的SSD法，性能也得以超越。但是YOLO算法依旧存在一些问题，比如定位精度、召回率等较低，且对尺寸较小的物体检测效果欠佳。

YOLO V3利用特征金字塔［13］（Feature Pyramid Network，FPN）的思想，将相邻尺度的特征图通过串联（concat）操作进行特征融合［14］，通过特征融合可以有效提高目标的检测精度。

本文基于YOLO存在的问题，以YOLO V3模型为主要架构，提出了一种基于金字塔模型和注意力机制的YOLO V3目标检测算法，建立了多尺度的目标检测算法。通过反卷积和金字塔模型，来融合不同尺度的浅层和高层的信息，从而提升对目标的检测精度。利用注意力机制，使得具有注意力效果的梯度能流入更深的网络中。……