计算机科学与探索

作者：涂小妹, 包晓安, 吴彪, 金瑜婷, 张庆琪

单位：1. 浙江广厦建设职业技术大学 建筑工程学院，浙江 东阳 3221002. 浙江理工大学 计算机科学与技术学院（人工智能学院），杭州 3100183. 浙江理工大学 理学院，杭州 3100184. 浙江广厦建设职业技术大学 信息学院，浙江 东阳 3221005. 山口大学 东亚研究科，日本 山口 753-8514

关键词：目标检测,三维坐标注意力（TDCA）,注意力路径聚合特征金字塔（TPA-FPN）,YOLOX-S算法,改进SimOTA策略

针对YOLO系列算法在实际工业应用中存在对目标预测框定位不够准确，难以适用于对定位要求较高的现实场景的问题，提出了三维坐标注意力路径聚合网络的目标检测算法YOLO-T。首先，采用短连接方式对路径聚合特征金字塔的跨层特征进行融合，保留其浅层语义信息；其次，基于坐标注意力机制提出了三维坐标注意力（TDCA）模型，利用该模型对路径聚合特征金字塔内的特征进行注意力加权（TPA-FPN），保留有用信息和去除冗余信息；然后，改进了标签分配策略中简单最优传输分配（SimOTA）的损失矩阵计算方法，在保证不损失效率的同时增强了性能；最后，利用Depthwise Separable Conv改进了主干特征提取网络中的卷积模块使模型轻量化。实验结果表明：该算法在PASCAL VOC2007+2012数据集上，检测准确率mAP@0.50比YOLOX-S提高了1.3个百分点，mAP@0.50：0.95提高了3.8个百分点；在COCO2017数据集上平均检测精度mAP@0.50：0.95提高了2.4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