计算机科学与探索

作者：肇启明, 张涛, 孙俊

单位：江南大学 人工智能与计算机学院，江苏 无锡 214122

关键词：目标检测,深度学习,位置损失,特征融合

目标检测是计算机视觉领域最火热的方向之一，为了进一步提升目标检测算法性能，解决目标检测算法在训练过程中位置损失函数存在的局限性，提出了基于交并比（IoU）的动态交并比损失函数（DYIoU Loss），充分考虑到了位置损失函数内部各组成部分之间的联系，可以在训练的不同阶段，动态给予位置损失组成部分不同的权重，以达到更有针对性地约束网络的目的，即让网络在训练的初期、中期和后期能够更符合目标检测任务的特性去优化不同部分。其次，为了解决目标检测网络在特征融合环节存在的不足，将可变形卷积应用到PAN结构当中，设计了一种可以即插即用的基于可变形卷积的DePAN Neck来提升模型对多尺度特征的融合能力，进而提升模型对小目标物体的检测效果。将上述方法应用到YOLOv6-N、YOLOv6-T、YOLOv6-S三个体量的YOLOv6模型上，在COCO2017数据集上设计了丰富实验，验证方法的有效性，平均精度（mAP）平均提升2.0个百分点。

来源：2023年第12期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2023年第12期