이미지의 다중 스케일 객체 검출 알고리즘에서 검출 정확도와 시스템 오버헤드가 상호 제약되는 문제에 직면하여, YOLO 프레임워크를 기반으로 한 경량 고정밀 객체 검출 알고리즘을 제안하였다. YOLO 프레임워크 하에서 MobileNetv3 네트워크를 기반으로 하여 다운샘플링과 채널 어텐션 메커니즘을 개선하여 목표 특징을 정확히 추출하고 불필요한 오버헤드를 줄였다. 특징 피라미드와 단일 단계 무헤드 융합 구조를 설계하여 다양한 수용 영역을 구성함으로써 다양한 스케일 정보를 획득하고, 알고리즘의 다중 스케일 객체 적응성을 강화하였다. 동시에 회귀 손실 함수로 SIOU를, 중복 박스 처리를 위해 Soft-NMS를 사용하여 알고리즘의 정확도를 높였다. MS COCO 데이터셋과 UA-DETRAC 교통 모니터링 데이터셋에서의 실험 결과, 본 논문에서 제안된 개선된 알고리즘은 원래 YOLOXs와 비교하여 정확도를 유지하면서 모델 파라미터 수와 계산량이 각각 64.98%, 57.14% 감소하였으며, UA-DETRAC 교통 데이터셋에서 mAP@0.5가 70.5%에 도달하여 3.52% 향상되었고 FPS가 14.4% 증가하였다. 본 개선 알고리즘은 시스템 오버헤드를 크게 줄이고 정확도를 향상시켜 검출의 이중 성능을 효과적으로 보장하였다.

객체 검출;YOLOXs;어텐션 메커니즘;경량;SIOU;Soft-NMS