基于残差网络的目标检测模型研究

作     者：班名洋 

作者单位：合肥工业大学 

学位级别：硕士

导师姓名：赵仲秋;苏润

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：目标检测 注意力机制 残差网络 多尺度特征 

摘      要：目标检测作为计算机视觉领域的重要任务,无论在学术界还是工业领域都备受关注,在现实生活中诸多方向上都应用了目标检测技术,如自动驾驶、智能监控和三维重建等。基于卷积神经网络的目标检测模型在检测任务上表现出优越的性能,然而网络层数和各种性能提升模块的堆叠,带来高准确性的同时也降低了检测速度,作为实时目标检测算法YOLOv3通过改进残差网络,在速度与精度上实现了较为完美的平衡。所以,基于YOLOv3对残差网络改进这一思想,本文进一步研究残差网络,并通过完善残差块来提升模型的整体性能。主要工作如下:(1)YOLOv3实际上存在目标定位精度不够,漏检率较高的问题。为此,本文提出一种基于注意力残差模块的目标检测模型,通过在YOLOv3的残差块中合理添加注意力机制,构建新的注意力残差模块,以此加强模型特征筛选能力,提高目标定位准确性。最终,在PASCAL VOC和MS COCO数据集上的实验结果证实,模型保持了与YOLOv3一样快的检测速度,并获得了更高的准确性。(2)YOLOv3通过改进残差块的结构,保证模型准确性的同时在速度上也有一定提升,但是删减的网络层和通道数的成倍缩放在一定程度上损失了部分图像特征。为此,本文提出了一种基于残差网络的多尺度目标检测模型,该模型在YOLOv3整个网络结构的基础上进一步改进残差块结构,不仅保留特征的细节和全局信息,还加强了模型多尺度特征表示能力。并且,为了评估所提出的模型的有效性,与同样使用了多尺度特征的YOLOv3-SPP模型进行了全面比较,并在MS COCO上取得了更好的检测性能。