前言
此前出了目標改進算法專欄，但是對于應用于什么場景，需要什么改進方法對應與自己的應用場景有效果，并且多少改進點能發(fā)什么水平的文章，為解決大家的困惑，此系列文章旨在給大家解讀最新目標檢測算法論文，幫助大家解答疑惑。解讀的系列文章，本人已進行創(chuàng)新點代碼復現(xiàn)，有需要的朋友可關注私信我。
一、摘要
針對目標檢測中小目標誤檢、漏檢及特征提取能力不足等問題，提出一種基于改進YOLOv5的小目標檢測算法。該算法使用Mosaic-8方法進行數(shù)據(jù)增強，通過增加一個淺層特征圖、調整損失函數(shù)，來增強網絡對小目標的感知能力；通過修改目標框回歸公式，解決訓練過程中梯度消失等問題，提升了小目標的檢測精度。將改進后的算法應用在密集人群情景下的防護面具佩戴檢測中，實驗結果表明，相較于原始YOLOv5算法，該算法在小目標檢測上具有更強的特征提取能力和更高的檢測精度。
二、網絡模型及核心創(chuàng)新點
1. Mosaic-8數(shù)據(jù)增強
2.特征提取器
3. 損失函數(shù)
4.目標框回歸
三、應用數(shù)據(jù)集
本文數(shù)據(jù)集來源于WIDER FACE、MAPA(Masked Faces) 這兩個公開數(shù)據(jù)集和網絡，從中手動篩選出密集人群場景下的佩戴口罩和未佩戴口罩的圖片，最終得到訓練集4 000張，測試集1 320張，共計5 320張。
四、實驗效果（部分展示）
1. 為進一步驗證本文算法的有效性，將本文算法與文獻[23] 方法、AIZOO方法、原始YOLOv5 算法在同一測試集上進行測試，各項性能指標比較結果如下表所示。
2. 從下圖看出，與其他算法相比，本文算法在密集人群口罩佩戴檢測效果中表現(xiàn)突出，檢測精度有明顯上升，誤檢、漏檢現(xiàn)象明顯減少，對小目標異常角度、人臉區(qū)域存在遮擋的魯棒性明顯提升。
五、實驗結論
本文在原有YOLOv5算法的基礎上，分別從Mosaic數(shù)據(jù)增強、特征提取器、損失函數(shù)和目標框回歸4個方面進行改進，有效地增強了YOLOv5網絡模型對小目標物體的檢測精度，改進后的算法檢測速率相較于原始YOLOv5算法有所降低，但仍能滿足實時性要求，可以直接應用在醫(yī)學圖像、遙感圖像分析和紅外圖像中的小目標檢測等實際場景中。
六、投稿期刊介紹
注：論文原文出自郭磊、王邱龍、薛偉、郭濟；基于改進YOLOv5的小目標檢測算法；電子科技大學學報.文章來源：http://www.zghlxwxcb.cn/news/detail-438484.html
解讀的系列文章，本人已進行創(chuàng)新點代碼復現(xiàn)，有需要的朋友可關注下面公眾號，私信我。文章來源地址http://www.zghlxwxcb.cn/news/detail-438484.html
到了這里，關于目標檢測論文解讀復現(xiàn)之十六：基于改進YOLOv5的小目標檢測算法的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！
