基于改进特征提取及融合模块的YOLOv3模型

赵 轩，周 凡，余汉成

(南京航空航天大学 电子信息工程学院，江苏 南京 211106)

近年来深度学习方法在许多人工智能子领域取得了突破性进展，例如计算机视觉任务图像识别、目标跟踪、语义分割及传统的图像处理任务等。相比较传统的神经元模型单层/多层感知机，卷积神经网络、循环神经网络等新型结构拥有更好的特征提取能力，神经网络的深度、宽度和分辨率有了显著的改变。基于AlexNet[1]在大规模图像分类任务上的表现，研究人员提出了许多新型网络架构，例如平坦的网络VGG[2]、残差网络ResNet[3]、密集连接的网络DenseNet[4]、感受野网络InceptioNet[5]及其相关的结合和变形。通过对网络尾部的模块和损失函数进行调整，上述各种模型可用于不同的计算机视觉的任务处理中。

目前，基于基本模型[1-5]研究且适用于特定任务的高效架构成为神经网络领域主要的研究方向。为了在特定任务上获取更好的效果，目标检测架构YOLO(You Only Look Once)[6-8]系列、SDD(Single Shot MultiBox Detector)[9]等采用基本通用模型的变形来提升模型的精度：(1)引入矩形锚框的先验信息来规避直接的参数回归；(2)引入网格化的密集检测，通过非极大值抑制进行后处理；(3)采用多尺度检测。

多尺度特征融合、多尺度检测在神经网络中被广泛使用[8-12]。YOLOv3[8]采用多尺度上采样融合增加了小目标的检测精度。SSD[9]采用多个尺度同时检测目标。图像金子塔池化[11]和图像金字塔检测[12]显著提升了目标检测的精度。然而YOLOv3[8]模型有进一步提升的空间：(1)3个尺度(13×13，26×26，52×52)之间采用不同长宽的先验锚框，同时其3个尺度的标注框相同，检测层不同尺度之间的特征有待进一步融合；……