基于MDS-YOLO模型的小目标检测问题研究

摘要

针对目前主流算法对小目标检测存在计算量大与准确率较低的问题，本文以轻量级网络MobileNetV3代替YOLOv4中的主干网络，并将颈部网络中的一部分普通卷积用深度可分离卷积替代，同时针对小目标检测定义一个新的损失函数IF-EIoU Loss，由此构建了MDSYOLO目标检测模型.该模型具有较高的检测速度，且针对小目标具有较好的检测性能.为了验证模型的有效性，分别在MS COCO数据集和Visdrone2019数据集上进行了实验.与YOLOv4算法相比，在MS COCO数据集上，MDS-YOLO算法的平均检测精度提升了1.5个百分点，对于小目标的检测精度提升了3.3个百分点，检测速度也从31帧/s提升至36帧/s；在Visdrone2019数据集上，MDS-YOLO算法将平均检测精度从YOLOv4的14.9%提升至16.3%.实验结果表明，本文提出的MDS-YOLO算法能有效提升小目标检测精度.

关键词

小目标检测 / YOLOv4算法 / 轻量级网络MobileNetV3 / IF-EIoU Loss / MS COCO数据集