画像のマルチスケール物体検出アルゴリズムにおいて、検出精度とシステム負荷が相互に制約し合う問題に直面し、YOLOフレームワークに基づく軽量かつ高精度な物体検出アルゴリズムを提案した。YOLOフレームワーク下でMobileNetv3ネットワークを基盤とし、ダウンサンプリングとチャネルアテンション機構を改良して対象の特徴を正確に抽出し、不必要な負荷を低減した。特徴ピラミッドと単段階ヘッドレス融合構造を設計し、異なる受容野を構築して異なるスケール情報を取得し、アルゴリズムのマルチスケール対象適応性を強化した。同時に、回帰損失としてSIOUを採用し、冗長なボックス処理にはSoft-NMSを用いることで、アルゴリズムの精度を向上させた。MS COCOデータセットおよびUA-DETRAC交通監視データセットでの実験結果から、本論文で提案した改良アルゴリズムは、元のYOLOXsと比較して精度を落とすことなく、モデルパラメータ数および計算量をそれぞれ64.98%、57.14%削減した。UA-DETRAC交通データセットにおいては、mAP@0.5が70.5%に達し、3.52%の向上を示し、FPSも14.4%向上した。本改良アルゴリズムはシステム負荷を大幅に低減し、精度を向上させ、検出の二重性能を効果的に確保した。

物体検出;YOLOXs;アテンション機構;軽量;SIOU;Soft-NMS