面向交通目标的多尺度轻量化检测模型

摘要

针对交通目标检测时物体尺度变化大，检测目标较为密集的问题，基于YOLO(you only look once)v8s提出一种高效多尺度YOLO(fast multiscale powerful-YOLO,FMP-YOLO)模型。在主干网络中，引入基于部分卷积(partial convolution, PConv)与快速傅里叶卷积(fast Fourier convolution, FFC)设计的Faster Block模块，减少了冗余计算和内存访问，提高了推理速度，改善了感受野受限的问题；在聚合网络中，使用改进后的组混洗卷积(group shuffle convolution, GSConv)替换普通卷积，更好地捕获不同尺度的特征，进一步降低了模型的参数量和计算量；将Powerful-IoU与软非极大值抑制(soft non maximum suppression, SoftNMS)结合替换原有的非极大值抑制算法(non maximum suppression, NMS),改善了由参数量降低导致特征学习能力下降的问题，并且提高了模型的精度。在SODA10M和MS COCO数据集上进行实验，实验结果表明，改进后的模型性能超越原始模型，参数量和计算量下降40%左右，mAP分别提高了1.7%和1.4%,FMP-YOLO在体积与精度上优于其他经典模型，具有较强的实用性。

关键词

交通目标检测 / 部分卷积 / 轻量化 / 软非极大值抑制(SoftNMS)