В условиях взаимного ограничения точности обнаружения и системных затрат в алгоритмах обнаружения объектов с мультиразмерами изображения предложен легковесный высокоточный алгоритм обнаружения объектов на основе фреймворка YOLO. На базе сети MobileNetv3 в рамках YOLO были усовершенствованы понижающая выборка и механизм внимания по каналам для точного извлечения признаков объектов, что снизило ненужные затраты. Спроектирована структура пирамиды признаков с одностадийным безголовым слиянием для построения разных рецептивных полей с целью получения информации разных масштабов, что усилило адаптивность алгоритма к объектам разных размеров. Одновременно был применён SIOU в качестве регрессионной функции потерь и Soft-NMS для обработки избыточных рамок, что повысило точность алгоритма. Экспериментальные результаты на наборах данных MS COCO и UA-DETRAC показали, что предложенный в работе улучшенный алгоритм по сравнению с исходным YOLOXs при сохранении точности уменьшил количество параметров модели и вычислительные затраты на 64,98% и 57,14% соответственно; на датасете UA-DETRAC достижение mAP@0.5 составило 70,5%, что выше на 3,52%, при этом FPS увеличилось на 14,4%. Улучшенный алгоритм значительно снизил системные затраты, повысил точность и эффективно обеспечил двойную производительность обнаружения.

Обнаружение объектов;YOLOXs;Механизм внимания;Легковесный;SIOU;Soft-NMS