yolov3损失函数改进_YOLO V4 Tiny改进版来啦！速度294FPS精度不减YOLO V4 Tiny(附论文下载)...

最新推荐文章于 2024-06-27 23:00:40 发布

钛媒体APP

最新推荐文章于 2024-06-27 23:00:40 发布

阅读量1.7k

点赞数 2

文章标签： yolov3损失函数改进

本文链接：https://blog.csdn.net/weixin_36160268/article/details/112185267

版权

本文提出了一种基于YOLOv4-tiny的改进方法，通过使用ResNet-D网络和辅助残差网络块，提高了目标检测速度至294FPS，同时保持了与YOLOv4-tiny相当的精度。ResBlock-D模块替代CSPBlock，减少计算复杂度，而Auxiliary Network Block则通过全局特征提取和注意力机制提高准确性。

摘要由CSDN通过智能技术生成

点击上方“ AIWalker ”，选择加“ 星标 ” 精品干货，瞬时送达本文转载自：AI人工智能初学者

此YOLO V4 Tiny改进在保证精度的同时帧率可以达到294FPS！具有比YOLOv4-tiny(270 FPS)和YOLOv3-tiny更快的目标检测速度(277 FPS)，并且其平均精度的平均值与YOLOv4-tiny几乎相同；

作者单位：东北电力大学, 北华大学

1、方法简介

为了提高目标检测的实时性，本文提出了一种基于YOLOv4-tiny的快速目标检测方法。它首先使用ResNet-D网络中的两个ResBlock-D模块，而不是Yolov4-tiny中的两个CSPBlock模块，从而降低了计算复杂度。其次，设计了辅助残差网络块，以提取更多的物体特征信息，以减少检测误差。

在辅助网络的设计中，使用两个连续的3x3卷积获得5x5感受野以提取全局特征，并使用通道注意力和空间注意力来提取更有效的信息。

最后，它将辅助网络和Backbone网络合并，以构建改进的YOLOv4-tiny的整个网络结构。实验结果表明，该方法具有比YOLOv4-tiny和YOLOv3-tiny更快的目标检测速度，并且其平均精度的平均值与YOLOv4-tiny几乎相同。它更适合于实时目标检测。

2、YOLO V4 Tiny概要

2.1、模型结构

Yolov4-tiny使用特征金字塔网络提取不同尺度的特征图，进而提高目标检测速度，而不使用Yolov4方法中使用的空间金字塔池和路径聚合网络。同时，Yolov4-tiny使用和两种不同比例尺的feature map来预测检测结果。

2.2、损失函数

1、置信度损失函数

其中为第i个网格中第j个边界框的置信分数。只是用来判别是否为目标的函数(0/1)。

2、分类损失函数

其中，和分别为对象在第i个网格的第j个边界框中属于c类的预测概率和真概率。

3、边界框回归损失函数

4、总损失函数

3、改进YOLO Tiny算法

文章作者为了进一步提升速度，使用ResBlock-D模块代替了部分CSPBlock模块，降低了计算的复杂度，同时设计了Auxiliary残差模块，以便提取更多的物体特征信息，以降低检测的误差；所提backbone网络如下：

3.1、设计思路

FPS计算：

其中D为所有卷积层的和，为第个卷积层的输出特征映射大小，为核大小的个数，和分别为输入通道和输出通道的个数。

这里假设输入图像的大小为，通道数为64。

CSPBlock的FLOPs为：

ResBlock-D的FLOPs为：

通过以上计算可以得到CSPBlock和ResBlock-D的计算复杂度比率约为10:1。这意味着ResBlock-D的计算复杂度远小于CSPBlock。因此在设计模型的时候使用ResBlock-D代替了CSPBlock模块：

3.2、Auxiliary Network Block

论文中提到虽然使用ResBlock-D模块来代替CSPBlock模块能够一定层度上提高目标检测的速度，但是它降低了目标检测的准确性。因此为了保持精度和速度的平衡，作者设计了两个相同的Residual Network blocks作为Auxiliary Network Block，并将其添加到ResBlock-D模块中以提高精度。