基于改进卷积神经网络的交通场景小目标检测
来源：计算机工程杂志2020年第6期北京时间：
作者：郑秋梅, 王璐璐, 王风华
单位：中国石油大学(华东) 计算机科学与技术学院, 山东 青岛 266580
摘要：针对复杂交通场景中的小尺度车辆检测问题，提出改进的YOLOv3目标检测方法（S-YOLOv3）。使用ResNet网络优化YOLOv3的Darknet-53特征提取结构，采用特征金字塔网络获取目标的4个尺度特征以融合浅层特征和深层特征信息，并根据检测目标的大小调整损失函数的影响权重，从而增强小目标及相互遮挡物体的检测效果。在KITTI数据集上的实验结果表明，S-YOLOv3方法的检测速度和平均精度均值分别为52.45 frame/s和93.30%，相比YOLOv3方法在保证小目标检测实时性的同时具有更高的检测精度。
关键词：改进的YOLOv3方法,特征提取,多尺度融合,损失函数,小目标检测
基金资助：国家自然科学基金（61305008）；国家自然科学基金面上项目（51274232）；中央高校基本科研业务费专项资金（19CX02030A）；山东省自然科学基金面上项目（ZR2018MEE004）。
