yolov3为什么对大目标检测不好_基于改进Yolov3的目标检测的研究

晏世武 罗金良 严庆

摘要：目标检测在视频监控、无人驾驶系统、机械自动化等领域起着重要作用。在如今大数据的背景下，为进一步提高Yolov3在不同数据集下的性能，本文以KITTI数据集为基础，利用重新調整anchor数值和增加尺度融合的方法改进Yolov3，并通过增加数据的方法平衡类别，进一步提高Yolov3性能。实验结果表明，改进的Yolov3较原始的框架，其mAP提高了近5.31%，从侧面说明改进的Yolov3具有较高的实用价值。

关键词：目标检测;深度学习;尺度融合;平衡类别;mAP

0 引言

目标检测能够对图像或视频中的物体进行准确分类和定位，在监控、无人驾驶、机械自动化等领域中起着至关重要的作用。早前的目标检测是通过人工提取特征的方法，使用DPM模型，并在图像上进行窗口滑动的方法进行目标的定位。这种方法十分耗时且精度不高。随着信息时代的快速发展，如今的数据量成几何式地增长，再使用人工提取特征的方式是十分不明智的。自2012年Alexnet在ILSVRC(Large Visual Recognition Challenge)比赛中大放光彩以来，学者们不断地使用卷积神经网络(Convolution Neural Network，CNN)设计新的目标检测框架，并出现了Faster RCNN、SSD、Yolov3等高性能的目标检测框架，并且在实践中展现出强大性能。

在如今较为主流目标检测框架中，Yolov3在检测速度和精度的平衡性方面表现较好，人们不