基于改进的YOLOX目标检测算法研究

作     者：刘锟 

作者单位：南昌大学 

学位级别：硕士

导师姓名：洪向共

授予年度：2022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：深度学习 目标检测 YOLOX 特征融合 

摘      要：目标检测是计算机视觉领域的核心课题,旨在定位图像或视频中某类语义对象的实例。它是分类任务的延续,是语义分割、实例分割等高层视觉任务的基础,被学术界和工业界广泛研究与应用,在人脸检测、交通监控、自动驾驶、遥感检测等领域都有出色表现。近几年来,深度神经网络的蓬勃发展带来物体检测器的性能提升,基于深度学习的目标检测算法在该领域中占据绝对优势,具有重要的现实应用场景和学术研究价值。本文针对YOLOX-Dark Net53目标检测算法主干网络特征提取能力不够、感受野大小受限、小目标检测性能不足,特征融合网络位置信息和语义信息交互不充分等问题进行改进,主要研究内容如下:1、提出改进的基于卷积模块增强算法。在主干网络的中添加Cross卷积,保障提取更加丰富的目标边缘特征;设计新的空洞卷积模块替代SPP结构,提升感受野的同时保留高分辨率、引入多尺度表达;使用转置卷积对深层特征自适上采样、提高分辨率,使其可与浅层特征相融合,将深层语义信息引入浅层,提高小目标检测鲁棒性;引入注意力机制自适应调整特征响应值,增强有用特征、抑制无用特征,提高检测性能。在PASCAL VOC、SSDD数据集上m AP分别提高1.4%、3.3%,验证了该算法的有效性。2、提出改进的基于特征融合算法。引入Res2Net module提升每层特征图感受野,在更细粒度层次上提高神经网络多尺度表达能力;改进目标检测任务中常见的特征融合结构FPN/PAN,充分利用主干网络丰富的位置信息和语义信息,提高小目标检测精度;引入Hr Net中融合不同层、不同尺寸、不同深度的特征的思想,充分利深层高语义特征信息和浅层细粒度特征信息,提高模型表达能力。在PASCAL VOC、SSDD数据集上m AP分别提高3.4%、6.0%,验证了该算法可以有效提升检测性能。