论文研究-Attention-YOLO：引入注意力机制的YOLO检测算法.pdf
需积分: 42 66 浏览量
2019-09-12
00:00:57
上传
评论 12
收藏 1.39MB PDF 举报
计算机工程与应用
www.ceaj.org
2019，55（6）
1 引言
目标检测
[1]
是计算机视觉领域中最具有挑战性的问
题之一，同时它也被广泛应用于人脸检测
[2]
、自动驾驶
[3-4]
、
行人检测
[5]
等许多领域。目标检测任务通常包括标记出
所给图片中待检测物体的边界框，并且判断边界框中的
物体属于哪一类别。传统的目标检测可以分为三个步
骤：首先，选取感兴趣区域，考虑到待检测的物体可能出
现在图片中的任一位置，同时其大小比例也不是固定
的，通常采用多尺度、多长宽比的滑动窗口技术
[6]
来扫描
整个输入图片。尽管这种技术可以较好地标记出所有
可能出现待检测物体的位置，但是由于扫描时无差别地
对待每一个区域，导致计算量巨大，并且会产生冗余的
标记窗口。其次，从标记的区域中提取特征，常用的有
SIFT
[7]
、HOG
[8]
以及 Haar-li ke
[9]
等手工特征。但是由于外
Attention-YOLO：引入注意力机制的 YOLO检测算法
徐诚极，王晓峰，杨亚东
上海海事大学 信息工程学院，上海 201306
摘 要：实时目标检测算法 YOLOv3的检测速度较快且精度良好，但存在边界框定位不够精确、难以区分重叠物体
等不足。提出了 Attention-YOLO 算法，该算法借鉴了基于项的注意力机制，将通道注意力及空间注意力机制加入特
征提取网络之中，使用经过筛选加权的特征向量来替换原有的特征向量进行残差融合，同时添加二阶项来减少融合
过程中的信息损失并加速模型收敛。通过在 COCO 和 PAS CAL VOC数据集上的实验表明，该算法有效降低了边界
框的定位误差并提升了检测精度。相比 YOLOv3 算法在 COCO 测试集上的 mAP
@IoU[0.5 ：0.95]
提升了最高 2.5 mAP，在
PAS CAL VO C 2007测试集上达到了最高 81.9 mAP。
关键词：目标检测；YOLOv3算法；Attentio n-YOLO算法 ；通道注意力机制；空间注意力机制
文献标志码：A 中图分类号：TP391. 41 doi：10.3778/j.issn.1002-8 331.1812-0010
徐诚极，王晓峰，杨亚东 .Attention-YOLO：引入注意力机制的 YOLO检测算法 .计算机工程与应用，201 9，55（6）：13-23.
XU Chengji, WANG Xiaofeng, YANG Yadong. Attention-YOLO：YOLO detection algorithm that introduces attention
mechanism. Computer E ngineering and Applications, 2019, 55（6）：13-23.
At tention-YOLO：YOLO Detection Algori thm That Introduces Attentio n Mechanism
XU Chengj i, WANG Xiaofeng, YANG Yado ng
College of Information Engineering, Shanghai Maritime University, Shanghai 201306, Chin a
Ab stract：YOLOv3 is a real-time objec t detection algorithm, its speed and accuracy r each good trade-off, but the disad-
vantages are that the boundary box pos itioning is in accurat e and it is difficult to distinguish overlapping obj ects. Fo r the
above problems, this paper pr opo ses the Attention-YOLO algori thm based on the item-w ise attention mechanism w hich
embeds channel and spatial atte ntion mechanism in the feature extraction network, uses the filtered weighted feature vec-
tor to replace the original residual fusion, and add s a second-order item to reduce the in format ion loss in the proces s of
fusion and accelerate the con vergence of the model. Based on the experiments on COCO and PASCAL VOC datasets, the
results show that the Attention -YOLO algorithm effectively reduces the boundary box positioni ng loss and i mproves the
detection accuracy. Compa red with YOLOv3, the Attention-YOLO improves at most 2.5 mAP@IoU[0.5∶0.95] on COCO
dataset , and re aches 81.9 mAP on PASCAL VOC 2007 test.
Key words：object detection; YOLOv3 algorithm; Attention-YOLO algorithm; channel attention; spatial attention
基金项目：国家自然科学基金（No.61872231，No.61703 267）；上海海事大学研究生创新基金（No.2017ycx083）。
作者简介：徐诚极（1996—），男，硕士研究生，研究领域为深度学习与目标检测，E-mail：1376135 0550@163.com；王晓峰（1958—），
男，博士生导师，教授，研究领域为人工智能，数据挖掘与知识发现等；杨亚东（1990—），男，博士研究生，研究领域为计
算机视觉，图像处理。
收稿日期：2018-12-03 修回日期：2019-01-07 文章编号：1002-8331（2019）06-0013- 11
Computer Engineering and Applications 计算机工程与应用
13
剩余10页未读，继续阅读
资源评论
