[发明专利]一种对于YOLOV3网络的检测算法改进方法

说明书

本发明公开了一种对于YOLOV3网络的检测算法改进方法，将主干网络的改进，主干网络加入残差模块Res‑Inc；特征图金字塔的改进；特征图金字塔加入自适应特征融合模块、注意力机制与特征增强模块；图像的数据进行增强处理；对于输出结果的损失函数的改进：输出结果加入分类损失函数和包围框位置损失函数。本发明解决网络实时性和准确性之间的平衡问题、特征图金字塔中不同级别的多尺度特征的信息冲突问题以及提高算法挖掘困难案例的能力和边界框预测的准确性。

技术领域

本发明涉及图像识别领域，特别涉及一种对于YOLOV3网络的检测算法改进方法。

背景技术

2016年，J Redmon等人，提出了YOLO算法。从YOLO开始，该算法仅需要一个卷积神经网络(CNN)计算，并且该网络是端到端的预测。YOLO网络通过卷积神经网络提取特征，最后的全连接层输出预测结果。尽管预测精度不如Faster-RCNN，但它具有极高的实时性能，并开创了One-Stage算法，为后续算法的改进和创新奠定了基础。 YOLOV3是官方YOLO系列的最新结果。它不仅保留了前两代算法的本质，而且还吸收了其他高级算法的优点。目标检测算法中各种技术和先进方法的广泛应用使网络模型更加复杂：特征图金字塔旨在解决多尺度问题，基础网络使用类似于残差网络(ResNet) 的Darknet-53改善骨干网的特征提取能力。YOLOV3算法同时考虑了实时性和准确性。其结构清晰，易于改进，它是业界首选的算法之一，图1显示了YOLOV3网络框架。

YOLOV3的主干结构使用具有更多层的Darknet-53，尽管这在一定程度上提高了网络的特征提取能力，但降低了转发速度。如果盲目地减少Darknet-53的网络层数，该算法将减少，很难在两者的准确性之间取得平衡。

同时，特征图金字塔是YOLOV3性能提高的关键之一，但是特征图金字塔的设计仅将高级语义信息应用于低级特征图，从而融合了深浅的特征，但只能通过直接拼接这种加法不能完全集成多尺度特征。具体表现是，YOLOV3算法在缩放图片变化方面不强健，并且容易错过检测和错误检测。

另外，遮挡和照明等问题一直是目标检测算法的重要挑战，并且YOLOV3的检测性能也会产生影响。

发明内容

发明目的：本发明的目的是提供一种对于YOLOV3网络的检测算法改进方法，用于解决上述问题。

技术方案：本发明所述的一种对于YOLOV3网络的检测算法改进方法，包括以下步骤

步骤1，将主干网络的改进，主干网络加入残差模块Res-Inc；

步骤2，特征图金字塔的改进；特征图金字塔加入自适应特征融合模块、注意力机制与特征增强模块；

步骤3，图像的数据进行增强处理；

步骤4，对于输出结果的损失函数的改进：输出结果加入分类损失函数和包围框位置损失函数。

进一步的，在步骤1中，对输入的特征图按通道对特征图进行切分，然后切分后特征图进入Res-Inc模块进行通道混合操作。

进一步的，主干网络由若干个Res-Inc模块串联而成，为了与YOLOV3统一，每隔两个Res-Inc模块后会设置一个步长为2个的3*3卷积进行下采样。

进一步的，在步骤2中，自适应特征融合模块的各层对不同尺度的特征图进行自适应加权融合后输出本层的特征图，定义x¹,x²,x³为特征图金字塔中第一层、第二层和第三层的特征图，在进行放缩和加权求和后，第l层的输出y^l如公式所示：

权重参数α，β和γ是对重定义过大小的level1～level3的特征图经过1*1卷积后得到三个参数；