基于改进YOLOv3的轻量级目标检测算法

针对YOLOv3模型在进行目标检测时无法充分利用丰富的上下文信息导致目标漏检、误检,且模型参数量大的问题,提出一种轻量级目标检测算法.首先,该算法使用VGNetG网络作为骨干网络进行主干替换,这有利于减少模型计算参数量;其次,采用特征尺度感知模块FSSA进一步融合主干信息特征,使模型上下文信息对齐上采样的高级特征信息;最后,改进的交叉注意力模块ICC-A ttention使用两个连接图来代替常见的单个密集连接图,并通过交叉路径法有效提取所有像素的上下文信息.改进后的算法比YOLOv3模型缩减一倍模型参数量,提高了算法参数效率与检测速率.算法在 PASCAL VOC2007 测试集上验证,实验结果表明,平均检测精度达到84.1%,参数量为5.37M,检测速度为47帧/s,改进后的算法可有效改善YOLOv3模型中的漏检、误检与参数量大的问题,同时在检测速度方面可以满足实时性的要求.