[发明专利]一种基于EIoU改进的YOLOv3算法

说明书

本发明提出了一种基于EIoU改进的YOLOv3算法，主要解决现有算法中由于重叠率、尺度及长宽比导致的基于IoU的损失L_IoU计算不准从而影响检测性能的问题。首先下载当前目标检测领域通用数据集；其次重建现有算法YOLOv3网络模型并用备好的数据集进行训练，检测其性能；然后将基于EIoU的损失函数L_EIoU嵌入YOLOv3算法模型中进行训练并作性能评价；最后对比经典的YOLOv3算法，分析测试结果。本发明提出的基于EIoU改进的YOLOv3算法，相比经典的YOLOv3算法，提高了平均准确率，且更适用于同一区域中有多个物体重叠时的情况，另外该模块也没有引入更多的计算量，与原模型相比，实时性没有受到影响。该模块仍然能够嵌入其他经典算法模型中做对比测试，更具适用性，且鲁棒性更好。

技术领域

该发明属于图像识别领域，尤其涉及一种基于改进损失函数EIoU的 YOLOv3目标检测算法，该算法在通用标准数据集上表现出很好的检测性能。

背景技术

目标检测主要包括传统目标检测技术及基于深度学习的目标检测技术，近年来，随着科技的发展及智能化的普及，传统的目标检测技术远远达不到人们的需求，基于深度学习的目标检测技术应运而生且发展迅速，成为当前目标检测领域的主流算法。

基于深度学习的目标检测技术大体可分为一阶段和二阶段两类方法：二阶段方法主要是指基于候选区域的算法，如R-CNN、Fast-R-CNN、 Faster-R-CNN，该类算法的检测步骤为：首先在图片上生成若干个候选区域，然后，通过卷积神经网络在候选区域上进行候选框分类和回归。该类方法精度高，但检测速度慢，无法满足实时要求；一阶段方法使用一个卷积神经网络直接预测不同目标的类别与位置，属于端到端的方法，主要有SSD、YOLO系列。

目标检测中最常用的指标是交并比(Intersection over Union，IoU)，它可以反映预测检测框与真实检测框的检测效果。但是作为损失函数，当IoU＝0，不能反映两者的距离大小，也就是重合度。同时因为损失loss＝0，没有梯度回传，无法进行学习训练，IoU无法精确的反映两者的重合度大小，进而提出了广义交并比(Generalized Intersection overUnion，GIoU)。GIoU不仅关注重叠区域，还关注其他的非重合区域，能更好的反映两者的重合度，但训练过程仍易发散，距离交并比(Distance Intersection over Union，DIoU)应运而生。DIoU将目标与锚框之间的距离，重叠率以及尺度都考虑进去，使目标框回归变得更加稳定，但是锚框的长宽比还没被考虑到，在DIoU的基础上提出了完整交并比(CompleteIntersection over Union，CIoU)，本文结合上述IoU的研究历程，将重叠率、尺度及长宽比综合考虑，提出了边基交并比(Edge Intersection over Union，EIoU)，并将其嵌入到现行经典算法YOLOv3中，表现出相当优异的性能，且更适用于同一区域中有多个物体重叠时的情况，另外该模块也没有引入更多的计算量，与原模型相比，实时性没有受到影响，该模块也能够嵌入其他经典算法模型中更，具有广泛的适用性。

发明内容

本发明方法提出了一种基于EIoU改进的YOLOv3算法，通过嵌入改进的 IoU的损失函数EIoU，使YOLOv3算法的检测性能有了部分提升。

步骤一：下载当前目标检测领域通用数据集COCO数据集，保证与该领域通用数据集保持一致，以达到比对效果，检测本发明方法性能。下载地址：http://cocodataset.org/#home。