基于改进YOLOv5的小目标检测方法研究.pdf

第2期2 0 2 4年3月N o.2M a r.2 0 2 4研究开发文章编号:2 0 9 7-0 3 6 6(2 0 2 4)0 2-0 0 0 7-0 6 基于改进Y O L O v 5的小目标检测方法研究常 飞1,王 奔1,张小旭2,王泽源1(1.中车长春轨道客车股份有限公司 国家轨道客车工程研究中心,吉林 长春 1 3 0 0 6 2;2.吉林瑞电科技有限公司,吉林 长春 1 3 0 0 0 0)摘 要:针对实际工况中小目标检测困难的问题,本文提出了一种基于改进的YO L O v 5算法的小目标检测方法。该方法通过对YO L O v 5算法进行了改进,以提高其对小目标的检测能力。首先,通过工业相机获取原始图像,然后将其输入深度学习网络模型,以在保证速度和精度的前提下对YO L O算法进行改进。;其次,在UN E T+语义分割模型理论基础上,对YO L O骨干网络的n e c k颈部网络添加网络分割头,完成端到端的多任务检测。试验结果表明,本文提出的小目标检测方法比传统的YO L O v 5算法在小目标检测任务中有着更好的性能表现,具有较高的准确率和鲁棒性。关键词:YO L O v 5算法;UN e t+;小目标;语义分割中图分类号:T P 3 9 1 文献标志码:B d o i:1 0.3 9 6 9/j.i s s n.2 0 9 7-0 3 6 6.2 0 2 4.0 2.0 0 2S t u d y o n S m a l l T a r g e t D e t e c t i o n M e t h o d B a s e d o n I m p r o v e d Y O L O v 5CHANG F e i1,WANG B e n1,Z HANG X i a o x u2,WANG Z e y u a n1(1.S t a t e R a i l w a y P a s s e n g e r C a r E n g i n e e r i n g R e s e a r c h C e n t e r,C R R C C h a n g c h u n R a i l w a y V e h i c l e s C o.,L t d.,C h a n g c h u n 1 3 0 0 6 2,C h i n a;2.J i l i n R u i d i a n T e c h n o l o g y C o.,L t d.,C h a n g c h u n 1 3 0 0 0 0,C h i n a)A b s t r a c t:A i m i n g a t t h e d i f f i c u l t y o f s m a l l t a r g e t d e t e c t i o n i n a c t u a l w o r k i n g c o n d i t i o n s,t h i s p a p e r p r o p o s e s a s m a l l t a r g e t d e t e c t i o n m e t h o d b a s e d o n i m p r o v e d YO L O v 5 a l g o r i t h m.I n t h i s m e t h o d,YO L O v 5 a l g o r i t h m i s o p t i m i z e d t o i m p r o v e i t s a b i l i t y t o d e t e c t s m a l l t a r g e t s.F i r s t l y,t h e o r i g i n a l i m a g e i s o b t a i n e d b y i n d u s t r i a l c a m e r a,a n d t h e n i n p u t i n t o t h e d e e p l e a r n i n g n e t w o r k m o d e l t o i m p r o v e YO L O a l g o r i t h m o n t h e p r e m i s e o f e n s u r i n g s p e e d a n d a c c u r a c y g;S e c o n d l y,b a s e d o n t h e s e m a n t i c s e g m e n t a t i o n m o d e l o f UN E P+,n e t w o r k s e g m e n t a t i o n h e a d e r i s a d d e d t o t h e n e c k n e t w o r k o f YO L O b a c k b o n e n e t w o r k t o c o m p l e t e e n d-t o-e n d m u l t i-t a s k d e t e c t i o n.E x p e r i m e n t a l r e s u l t s s h o w t h a t t h e s m a l l t a r g e t d e t e c t i o n m e t h o d p r o p o s e d i n t h i s p a p e r h a s b e t t e r p e r f o r m a n c e,h i g h e r a c c u r a c y a n d r o b u s t n e s s t h a n t h e t r a d i t i o n a l YO L O v 5 a l g o r i t h m i n s m a l l t a r g e t d e t e c t i o n t a s k s.K e y w o r d s:YO L O v 5 a l g o r i t h m;UN e t+;s m a l l t a r g e t s;s e m a n t i c s e g m e n t a t i o n收稿日期:2 0 2 3-0 5-0 5第一作者:常 飞(1 9 8 1),女,高级工程师。小目标检测技术在现代化计算机视觉领域1中占据着极其重要的地位。随着人工智能和物联网等技术的快速发展,目标检测技术的应用2也越来越广泛,尤其是在安防、智能交通、医疗等领域。然而,目标检测任务中小目标检测问题一直是一个难题,由于小目标尺寸较小,容易被背景噪声覆盖,以及在分辨率较低的情况下易受到图像锐化和压缩的影响,导致传统的目标检测算法的性能降低。为解决这些问题,近年来涌现出了一系列改进算法。其中,基于YO L O v 5算法的小目标检测方法因其高效、准确和实时性得到了广泛的关注。YO L O v 5是目前较为强大的目标检测算法之一,其创新地提出了精度和速度之间的平衡问题,并引入了自适应计算单元和混合精度训练等技术,大幅提高了检测效果。然而,由于小目标的特殊性质3,YO L O v 5在小目标检测方面仍然存在小目标识别不准确和识别率低的问题。本文基于改进YO L O v 5算法,提出了一种适用于小目标检测的新方法4。主要采用了S P P_A S F 模块改进策略,其中包括多尺度融合、预测模型优化模式,通过试验验证了新方法在小目标检测任务中的有效性5-6,为实际应用中的目标检测任务提供更加有效、准确的解决方案。为更好地处理复杂的情况,在不第6 1卷第2期2 0 2 4年3月影响安全性的情况下完成某项任务,采用多种环境感知技术就显得尤为重要。为此,可以根据不同的情况,构建出能够处理复杂情况的多种环境感知算法,并在不断调整各种参数的同时最大程度地降低计算复杂度。我们提出的解决方案采用了一种新的S P P_A S F模块特征融合网络改进方法,能够有效处理复杂的自动驾驶系统,并快速识别周围的障碍物。该方法通过端到端的模型完成,能够从输入的图像中生成一个完整的模型,并迅速识别周围的障碍物。采用经过优化的YO L O v 5模型,以处理复杂信息并将其转换为一个简洁的网络,进而提升分离器的性能。1 Y O L O v 5算法YO L O v 5是一种基于深度学习的目标检测算法,其原理可以概括为以下几个步骤。(1)输入图像处理。YO L O v 5首先将输入图像调整为固定大小,并对其进行预处理,其中包括标准化、颜色的转换和空间的转换。然后,将图像输入网络中进行特征提取和检测。(2)特征提取。YO L O v 5使用了一种基于E f f i-c i e n t N e t的骨干网络结构,该网络结构可以快速提取输入图像中的特征。将输入图像通过池化和多层卷积两个操作转化为高维特征表示,其中不同的特征图代表着不同的尺度和语义信息。(3)目标检测。在特征提取的基础上,YO L O v 5采用了一种单阶段检测器结构,将检测过程分为2个阶段:锚框生成和预测。(4)锚框生成。在每个特征图上,通过在网格点上生成一组锚框,来捕捉不同大小的目标。锚框的大小和长宽比是预先定义好的,可以通过K-m e a n s等算法进行自适应选择。对于每个锚框,需要计算其与真实框之间的I o U,来判断其是否为正样本。(5)预测。在每个锚框上,需要预测出目标的类别和位置信息。类别信息是通过s o f t m a x激活函数计算得到的,而位置信息则是通过回归得到的偏移量和锚框的长宽比计算得到。此外,为了处理不同尺度和不同大小的目标,YO L O v 5引入了F P N(F e a t u r e P y r a-m i d N e t w o r k)和P AN(P a t h A g g r e g a t i o n N e t w o r k)等多种特征金字塔结构,来进行跨尺度的特征融合和多层次的目标检测。(6)后处理。YO L O v 5对检测结果进行非极大抑制(NM S)处理,来去除重叠的检测框,并选择置信度最高的框作为最终的检测结果。同时,还可以通过S c o r e T h r e s h o l d等参数来调整检测的灵敏度和精确度。综上所述,Y O L O v 5基于深度学习技术,通过特征提取和单阶段检测器结构来实现目标检测,具有高效、准确、灵活等优点,是目前目标检测领域的研究热点。2 检测网络设计在YO L O v 5理论基础上以及结合列车实际应用中的实时性需求,改进深度神经网络模型。图1是目标检测骨干网络结构图,该网络主要由3个部分组成:第一部分是 输入层和B a c k b o n e结构,主要是利用多层卷积层实现输入图像的特征提取;第二部分是N e c k结构(F P N+P AN网络结构),目的是可以获取不同尺度的特征层;第三部分是p r e d i c t i o n预测层,网络预测层用来预测前方障碍物目标的具体位置。图1 目标检测骨干网络结构图8 基于改进YO L O v 5的小目标检测方法研究 常 飞,王 奔,张小旭,王泽源2.1 F o c u s结构、C S P结构特征提取网络是列车前方障碍探测系统的关键组成部分,其设计不仅基于YO L O v 5理论,而且融合了针对列车应用的实时性需求,对深度神经网络模型进行了创新性改进。该网络由多个核心结构组成,包括B a c k b o n e结构、N e c k结构(F P N+P AN网络)、p r e-d i c t i o n预测层,以及新增的F o c u s结构和C S P结构。B a c k b o n e结构通过多层卷积层实现图像特征的有效提取,N e c k结构用于捕捉不同尺度的特征层,而p r e-d i c t i o n层负责精确预测障碍物的位置。F o c u s结构的引入进一步提高了特征提取的效率,而C S P结构则增强了网络的学习能力和泛化性能。这些结构的综合应用,极大地提升了探测系统的速度和准确率,对整个列车前方障碍探测系统的性能有着决定性的影响。以特征提取网络小模型为例,将原始6 0 8*6 0 8*3的图像输入 F o c u s结构,通过切 片操作,首 先 得 到3 0 4*3 0 4*1 2的特征图,再通过一次3 2个卷积核的卷积操作,最后得到3 0 4*3 0 4*3 2的特征图。文中设计了两个 C S P架构,一个是C S P 1_X架构,另一个是N e c k架构,网络结构图如图2所示。图2 F o c u s结构、C S P网络结构 为了进一步的提高网络的特征提取能力以及网络计算的实时性,在网络的设计中,采用了残余连接的方法,使得残余连接能够消除渐变现象;将深度可分卷积法用于列车前方障碍探测,可以有效地降低算法的运算量,同时保证了网络的准确度;在F o c u s结构和C S P网络结构的基础上,提出了一种新型的基于多尺度特征的列车前方障碍探测网络构建方法。这种方法结合了多尺度特征融合技术,有效地融合了不同分辨率的特征,实现了底层与上层特征的有效整合。通过应用F o c u s结构增强了局部特征的聚焦能 力,同时利用C S P网络结构增强了整个网络的特征学习和泛化能力。这些结构的综合应用大幅提升了网络的特征提取能力,从而在列车前方障碍探测方面实现了更高的效率和准确性。2.2 F P N+P A N结构在B a c k b o n e中,为了进一步提取图像中的信息,C B L改变特征图通道的同时,也会控制卷积模块中的步长s下采样来改变特征图的尺寸。如图3所示,多尺度特征融合技术在使用自顶向下的特征金字塔网络(F P N)设计过程中,位于颈部(N e c k)的左侧经历了特征图上采样的阶段,所以在F P N中s=1;而到了右侧P AN再次自下而上提取位置信息时,就需要使用C B L继续下采样抽取高层次的语义信息,这也是C B L前后参数差异的原因。N e c k的网络结构在设计方面沿用了F P N+P AN的网络结构。F P N在构建高级语义特征图时,所有尺度的连接采用了自上而下的侧边链接方法,构造了特征金字塔结构。然后又由P AN引入了自下向上的路线,这样就可以使定位的信息更加准确,本次算法借鉴了UN e t+语义分割模型理论基础上来完成对y o l o v 5颈部网络进行优化。强语义特征由F P N层自上向下传达,强定位特征则是由特征金字塔自下向上传达,两两互补,不同的主干层与其对应的不同检测层这样实现了参数的聚合,不仅解决速度问题,同时解决在不同目标上检测精度问题,对小目标检测提升更高精度。3 基于多尺度特征融合网络的改进方法3.1 S P P_A S F模块A u g F P N的 R F A部件可以被视为一种特征增强9第6 1卷第2期2 0 2 4年3月图3 F P N+P A N结构器,通过池化技术将各种感受野的情境特征进行了有机的融合7,在不改变网络结构的前提下,对感受野进行了极大的扩展。A S F模型利用一种与空间注意相似的方法,通过对多个感受器的信息进行卷积,获得具有自适应的空域加权,提高了特征表达的效率。本文旨在将R F A组件引入YO L O v 5,以提升其特征处理能力。为此,文中在YO L O v 5 中引入了S P P模块,它可以根据不同尺度的上下文特征图,自动调整权重,从而实现S P P_A S F模块的优化,具体结构见图4。图4 S P P_A S F模块结构图S P P_A S F模块可以从各种类型的感受野中抽取出有用的特点8,并将这些特点进行压缩,以便于嵌入空间信息,进而形成空间注意力图。此外,S P P_A S F模块还可以加权融合上下文特征,从而创建出一个具有多尺度上下文信息的新特征。S P P_A S F模块具有显著的特征表示能力,这使得它在处理复杂信息时具有卓越的性能。3.2 网络结构B i F P N通过自适应权重技术优化了特征层融合,有效划分各特征层的贡献,从而实现更精准的结果表达,特别是在R F A(相关特征融合)方面。这种技术显著提升了跳跃链接的融合效率,使得不同感知野的特征能够被更好地捕捉9。此外,自适应权重技术还提高了融合效率,实现了权重的自适应调整,以达到最佳融合效果。通过将B i F P N架构和S P P_A S F模板引入模型中,可以显著提高模型对多尺度目标的适应性。这种改进有效地替代了YO L O v 5中的P AN架构和S P P模板,进一步增强了模型的性能。该模型由2 3个模块构成,其中第2个模块C S P 1(1 6 0 1 2 8)*3是核心组成部分,能够被连续调用3次。它能生成1 6 01 6 0的特征图,并拥有1 2 8个通道。在处理原始图像时,该模块从尺寸为6 4 06 4 0的图像中提取特征信息,然后这些特征信息被传递到模型的N e c k部分进行进一步处理。这一过程确保了有效的特征提取,对整体模型性能至关重要,该部分通过跳跃连接和输入权重,将这些特征信息融合到第1 7、2 0、2 3个模板,从而实现对小、中和大规模目标的估计。YO L O v 5使用通道拼接技术,将经过采样处理的特征与跳跃信息进行有效的结合,从而实现高效处理1 0。通过特征融合可以使通道数量翻倍,但这会导致计算量的大幅增加,为了降低计算量,我们采用了通道降维策略。这种方法能有效减少信息损失,尽管存在一定局限性。使用B i F P N技术,我们放弃了传统的通道拼接方式,转而采用加权相加(c o n c a t)的形式,这样做可以保留全部原始数据,实现更有效的数据融合。通过c o n c a t技术,将预测输出层与其他层连接,并利用可学习的权重自适应调整机制,实现对结果更加精确的预测。在这项研究中,使用两次B i F P N模型并对其中的数据进行多次迭代,以提高模型的性能。通过引入新的采样层,YO L O v 5 结构可以获得更高的下采样率,从而显著提升特征融合的效果。在网络层参数中,将倍率设置为3 2,并在3个层面上进行特征融合,分别是 P3、P4和P5。这3个层面分别代表了微型、中型和巨型实际物品。但是,由于 P3层无法捕捉到 8 像素以下的细微差别,在这里使用P2层(更细粒度物体检测网络层)。根据图5,可以看出整体网络结构。01 基于改进YO L O v 5的小目标检测方法研究 常 飞,王 奔,张小旭,王泽源图5 2_B i F P N与B i F P N_2结构图 通过对比原YO L O v 5算法(图6(b)和本文改进的YO L O v 5算法(图6(a),发现改进后的表现优于原算法,这一点得到了可视化的证明。当标尺度发生显著变化时,可能会导致一些目标被遗漏,尤其是在第一行图片中,尺寸较小的车辆的得分较低,行人的检测结果存在漏检的情况;当在铁轨对行人模型进行检测时,原YO L O v 5对小目标检测存在漏检情况,经过改进的模型显著地解决了漏检的问题,这证明了它的有效性。此外,这种改进还带来了更多的好处。通过轨道分割可视化,我们发现,改进后的网络模型不仅仅可以对障碍物目标进行检测,同时也可以对铁轨等物体进行实例化分割。图6 试验可视化结果4 测试4.1 试验配置试验使用的开发平台为W i n d o w s 1 0,平台具体配置如表 1所示。表1 试验配置软硬件版本或型号操作系统U b u n t u 1 8.0 4C P UI 7-7 6 0 0G P UNV I D I A R T X 2 0 0 0C UD A1 0.2深度学习框架P y t o r c h 1.1 1.0P y t h o n3.7软件V S c o d e4.2 评价指标一般来说,评价一个目标检测模型的好坏,主要需要对精度进行评估。对精度进行评估主要参考平均精度和平均精度均值,因此,本文采用平均精度(A v e r a g e P r e c i s i o n,A P)和平均精度均值(m e a n A v e r a g e P r e c i-s i o n,mA P)作为评价该模型的指标,计算公式如下:A P=10P(r)d r(1)mA P=kI=1A Pik(2)式(1)中,P(r)是在召回率r下的精度。通常,A P的计算可以通过对精度-召回率曲线下的面积进行积分得到。式(2)中k是类别的总数,A Pi是第i个类别的平11第6 1卷第2期2 0 2 4年3月均精度。将召回率(R e c a l l)作为横轴、检测精度(P r e c i s i o n)作为纵轴构成一条曲线,这条曲线下的面积就是A P。R e c a l l和 P r e c i s i o n 的计算公式如下:R e c a l l=T PT P+F N(3)P r e c i s i o n=T PT P+F P(4)式中:T P 为正确分类的样本数;F P 为被错误判定为正样本的负样本数;F N为被错误判定为负样本的正样本数。4.3 模型训练在数据集被标注好之后,需要对模型进行初始设置,对数据配置文件和模型配置文件进行修改,构建好YO L O v 5模型环境,根据自己的计算机性能,设置好训练适应的参数,本文选择了迁移学习的方法来对这个数据集进行训练。迁移学习是一种深度学习策略,它将已经在大量数据集上训练好的模型转移到我们的小规模、针对新型目标的数据集上,再对数据集进行新模型的预训练,从而使得最终训练好的神经网络对新型目标有很好的检测效果。因此,使用YO L O v 5 m.p t这个预训练权重来对数据集进行训练,因为该预训练权重是在超大的数据集上训练得到的权重文件,在此基础上,用此预训练权重直接训练该数据集,也就是车辆以及人等,这样可以提高网络的学习和优化,增加泛化能力,使得改进的YO L O v 5模型具有很好的鲁棒性,训练结果如图7所示。在训练完成后,各项数值变化基本趋于平稳状态。图7 训练参数变化图4.4 实验测试结果经过训练,d a t a/t r a i n文件夹内的数据集已经被精心优化,从而提供了更加准确的b e s t权重文件路径,这样的优化能够更好地识别出更大范围内的障碍,从而更好地实现更高精度的多目标检测,具体表现在2 0*2 0像素大小目标依然可以识别。同时针对改进Y O L O v 5骨干网中分割头部分,可以完成对轨道路面进行语义分割,完成精准的识别。改进算法检测结果见图8。4.6 实验结果分析经过对比3种算法的实验,我们发现,在这个数据集上,每一类的平均精度(A P)都有显著提升,这一结论可以从表2中看出。特别是,我们提出的改进算法,其在目标检测C O C O数据集上平均精度显著优于其他两种算法。图8 改进算法检测结果通过对比3种不同的算法,我们发现,当交叉比例21 基于改进YO L O v 5的小目标检测方法研究 常 飞,王 奔,张小旭,王泽源设定为0.5时,采用优化的算法,mA P的准确率提高至8 8.1%,具体的结果可以参考表3。表2 平均精度指标对比结果类别A P/%S S D算法YO L O v 5 m算法本文算法车6 4.98 5.29 6.1人8 9.3 09 2.19 7.3表3 算法性能结果对比算法P r e c i s i o n/%mA P/%T i m e/sS S D7 0.26 4.20.0 3 6YO L O v 5 m8 5.38 4.20.0 3 7本文算法9 1.18 8.10.0 4 5通过深入的比较分析,本研究证实了改进算法在准确率方面相较于其他2种算法的优势。具体地,与YO L O v 5 m算法相比较,改进算法在准确率上实现了5.8%的提升,并且在平 均精度(mA P)指标上也有3.9%的增加。这一进步使得改进算法能更精确地识别地面物体。此外,改进算法采用了更为简化的网络架构,有效降低了图像检测的时间消耗,仅需8毫秒即可完成一张图片的处理。研究表明,即便在出现少量漏检或误报的情况下,该算法也能够稳定识别目标。值得一提的是,在夜间或其他极端条件下,该算法的mA P指标仍可达到8 8.1%,表现出对2 0*2 0像素小目标的良好处理能力1 1-1 2。5 总结本文针对障碍物检测小目标检测精度不高的问题,提出了基于改进YO L O v 5 的小目标检测算法。该算法通过引入S P P_A S F注意力机制模块增强网络提取图像特征图信息,这样能够有效地提高小目标检测的效 果。为 了 解 决 路 面 限 界 问 题,本 文 在 原 有YO L O v 5基础上添加语义分割网络层,完成对轨道实例化分割。最后通过铁轨路面测试。实验表明,本文所设计模型比原来的YO L O v 5模型有着更高的准确率,能够有效提高检测的精度也可以保证检测的速度,提升了障碍物检测小目标的检测准确率。参考文献:1 王强.基于深度学习的小目标检测算法研究D.成都:电子科技大学,2 0 2 0.2 张奇.基于改进YO L O的小目标检测算法应用研究D.长春:吉林农业大学,2 0 2 0.3 王凯.基于S S D的小目标检测算法研究D.西安:西安电子科技大学,2 0 2 0.4 陈富荣,肖明明.基于YO L O v 5的改进小目标检测算法研究J.现代信息科技,2 0 2 3,7(3):5 5-6 0,6 5.CHE N F u r o n g,X I AO M i n g m i n g.R e s e a r c h o n i m p r o v e d s m a l l o b j e c t d e t e c t i o n a l g o r i t h m b a s e d o n YO L O v 5J.M o d e r n I n f o r-m a t i o n T e c h n o l o g y,2 0 2 3,7(3):5 5-6 0,6 5.5 杜紫薇,周恒,李承阳,等.面向深度卷积神经网络的小目标检测算法综述J.计算机科学,2 0 2 2,4 9(1 2):2 0 5-2 1 8.D U Z i w e i,Z HOU H e n g,L I C h e n g y a n g,e t a l.O v e r v i e w o f s m a l l o b j e c t d e t e c t i o n a l g o r i t h m s f o r d e e p c o n v o l u t i o n a l n e u r a l n e t w o r k sJ.C o m p u t e r S c i e n c e,2 0 2 2,4 9(1 2):2 0 5-2 1 8.6 刘思诚,李嘉琛,邓皓,等.基于YO L O v 5改进的小目标检测算法J.兵工自动化,2 0 2 2,4 1(1 2):7 8-8 2,9 4.L I U S i c h e n g,L I J i a c h e n,D E N G H a o,e t a l.I m p r o v e d s m a l l o b-j e c t d e t e c t i o n a l g o r i t h m b a s e d o n YO L O v 5J.O r d n a n c e A u t o-m a t i o n,2 0 2 2,4 1(1 2):7 8-8 2,9 4.7 赵一鸣.基于深度学习的小目标检测算法研究D.哈尔滨:东北林业大学,2 0 2 2.8 陈灏然,彭力.感受野下的小目标检测算法J.计算机科学与探索,2 0 2 1,1 5(2):3 4 6-3 5 3.CHE N H a o r a n,P E N G L i.S m a l l o b j e c t d e t e c t i o n a l g o r i t h m i n t h e r e c e p t i v e f i e l dJ.C o m p u t e r S c i e n c e a n d E x p l o r a t i o n,2 0 2 1,1 5(2):3 4 6-3 5 3.9 李成豪,张静,胡莉,等.基于多尺度感受野融合的小目标检测算法J.计算机工程与应用,2 0 2 2,5 8(1 2):1 7 7-1 8 2.L I C h e n g h a o,Z HAN G J i n g,HU L i,e t a l.S m a l l o b j e c t d e t e c t i o n a l g o r i t h m b a s e d o n f u s i o n o f m u l t i-s c a l e r e c e p t i v e f i e l d sJ.C o m-p u t e r E n g i n e e r i n g a n d A p p l i c a t i o n s,2 0 2 2,5 8(1 2):1 7 7-1 8 2.1 0 高杨,肖迪.基于多层特征融合的小目标检测算法J.计算机工程与设计,2 0 2 0,4 1(7):1 9 0 5-1 9 0 9.GAO Y a n g,X I AO D i.S m a l l o b j e c t d e t e c t i o n a l g o r i t h m b a s e d o n m u l t i-l e v e l f e a t u r e f u s i o nJ.C o m p u t e r E n g i n e e r i n g a n d D e-s i g n,2 0 2 0,4 1(7):1 9 0 5-1 9 0 9.1 1 张新,郭福亮,梁英杰,等.基于深度学习的小目标检测算法综述J.软件导刊,2 0 2 0,1 9(5):2 7 6-2 8 0.Z HAN G X i n,GUO F u l i a n g,L I ANG Y i n g j i e,e t a l.O v e r v i e w o f s m a l l o b j e c t d e t e c t i o n a l g o r i t h m s b a s e d o n d e e p l e a r n i n gJ.S o f t w a r e G u i d e,2 0 2 0,1 9(5):2 7 6-2 8 0.1 2 徐融.基于YO L O v 3的小目标检测算法研究D.南京:南京邮电大学,2 0 2 0.31