一種基于YOLOv5s的改進(jìn)裝甲目標(biāo)檢測(cè)算法

易圖明 王先全 袁威 孔慶勇

摘? 要：針對(duì)裝甲目標(biāo)圖像背景復(fù)雜、目標(biāo)尺度小等問(wèn)題，提出一種基于YOLOv5s的裝甲目標(biāo)檢測(cè)算法。首先在FPN結(jié)構(gòu)中增加一個(gè)淺層分支，增強(qiáng)對(duì)小目標(biāo)特征的提取能力；其次通過(guò)Focal Loss損失函數(shù)來(lái)平衡正負(fù)樣本；再次將CIoU_loss用作邊框回歸損失函數(shù)，用以提升識(shí)別精度；最后將ECA注意力模塊引入算法中，加強(qiáng)重要特征的表達(dá)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法在自制數(shù)據(jù)集上AP達(dá)到92.9%，相較于原始算法提高了4.2%，能夠很好地滿(mǎn)足裝甲目標(biāo)檢測(cè)任務(wù)的精度與速度需求。

關(guān)鍵詞：裝甲目標(biāo)；YOLOv5s；特征金字塔；ECA注意力模塊；Focal_loss

中圖分類(lèi)號(hào)：TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）05-0073-05

An Improved Armored Target Detection Algorithm Based on YOLOv5s

YI Tuming1， WANG Xianquan2， YUAN Wei1， KONG Qingyong1

（1.Southwest Computer Co.， Ltd.， Chongqing? 400060， China; 2.Chongqing University of Technology， Chongqing? 400054， China）

Abstract： Aiming at the problems of complex background and small target scale of armored target image， an armored target detection algorithm based on YOLOv5s is proposed. First， a shallow branch is added to the FPN structure to enhance the ability of extracting small target features; Secondly， the Focal Loss loss function is used to balance the positive and negative samples; CIoU_ Loss is used as the loss function of frame regression to improve the recognition accuracy; Finally， ECA attention module is introduced into the algorithm to enhance the expression of important features. The experimental results show that AP of the improved algorithm on the self-made data set achieves 92.9%， which is 4.2% higher than that of the original algorithm， and can well meet the accuracy and speed requirements of the armored target detection task.

Keywords： armored target; YOLOv5s; characteristic pyramid; ECA attention module; Focal_loss

0? 引? 言

現(xiàn)代戰(zhàn)爭(zhēng)中，采集與處理戰(zhàn)場(chǎng)信息的能力對(duì)戰(zhàn)事成敗起決定性的作用。裝甲目標(biāo)是地面戰(zhàn)事的重要組成部分，在相關(guān)人員對(duì)戰(zhàn)事的指揮判斷中，快速準(zhǔn)確的自動(dòng)檢測(cè)技術(shù)可發(fā)揮至關(guān)重要的作用。

相對(duì)于普通的目標(biāo)檢測(cè)任務(wù)，戰(zhàn)爭(zhēng)環(huán)境下對(duì)裝甲目標(biāo)的檢測(cè)任務(wù)仍具有相當(dāng)?shù)奶魬?zhàn)性，主要表現(xiàn)在以下幾個(gè)方面：

（1）環(huán)境干擾大。裝甲車(chē)輛作戰(zhàn)時(shí)出沒(méi)的環(huán)境往往十分復(fù)雜，且戰(zhàn)場(chǎng)中的光照條件、氣象條件差異大、變化快。裝甲目標(biāo)的背景比一般目標(biāo)的背景更為復(fù)雜。同時(shí)，裝甲目標(biāo)往往涂有結(jié)合戰(zhàn)場(chǎng)環(huán)境設(shè)計(jì)的干擾涂裝，加大了目標(biāo)與背景的區(qū)分難度。

（2）目標(biāo)尺度小。目標(biāo)檢測(cè)系統(tǒng)需要識(shí)別更遠(yuǎn)距離的敵人目標(biāo)。預(yù)警距離范圍內(nèi)采集的圖像中目標(biāo)的成像比例較小，加大了目標(biāo)檢測(cè)的難度。

（3）檢測(cè)速度要求高。戰(zhàn)場(chǎng)態(tài)勢(shì)瞬息萬(wàn)變，同時(shí)具備準(zhǔn)確性與實(shí)時(shí)性的目標(biāo)檢測(cè)算法才能夠滿(mǎn)足作戰(zhàn)需求。

隨著人工智能與深度學(xué)習(xí)技術(shù)的發(fā)展，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)算法能夠利用圖像的深層語(yǔ)義信息，大大提升了檢測(cè)能力。深度學(xué)習(xí)模型已逐漸取代傳統(tǒng)的人工模型，成為圖像檢測(cè)領(lǐng)域的主流算法，在裝甲目標(biāo)的檢測(cè)與識(shí)別上實(shí)現(xiàn)了較大的突破。鄧?yán)谔岢鲆环N基于多金字塔池化模型的整體嵌套卷積網(wǎng)絡(luò)，通過(guò)引入空洞卷積思想，在保證卷積特征分辨率不變的前提上提高弱小目標(biāo)的檢測(cè)精度；同時(shí)在整體嵌套卷積的基礎(chǔ)上利用裝甲目標(biāo)的形狀先驗(yàn)找到感興趣的目標(biāo)區(qū)域，有效地提升了目標(biāo)的表征能力與抗干擾能力。孫皓澤以輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNet作為骨架網(wǎng)絡(luò)，構(gòu)建一個(gè)多尺度的單步檢測(cè)網(wǎng)絡(luò)，然后根據(jù)裝甲目標(biāo)的尺寸分布情況使用分辨率更高的卷積特征圖，并引入Focal-Loss損失函數(shù)來(lái)代替?zhèn)鹘y(tǒng)的交叉熵?fù)p失函數(shù)，有效地克服了訓(xùn)練過(guò)程中存在的正負(fù)樣本分布極度不平衡的問(wèn)題。王全東在將Faster R-CNN算法與現(xiàn)有跟蹤算法相結(jié)合的基礎(chǔ)上提出復(fù)合式目標(biāo)跟蹤算法，實(shí)現(xiàn)了對(duì)坦克裝甲目標(biāo)的自動(dòng)檢測(cè)與穩(wěn)定跟蹤。王曙光通過(guò)改進(jìn)YOLOv2算法展示出YOLO系列算法在裝甲目標(biāo)檢測(cè)任務(wù)中的速度優(yōu)勢(shì)。

眾多研究人員采用深度學(xué)習(xí)模型研究裝甲目標(biāo)檢測(cè)問(wèn)題，并取得了突破性的進(jìn)展。在此基礎(chǔ)上，針對(duì)裝甲目標(biāo)圖像檢測(cè)的特點(diǎn)與要求，提出一種基于YOLOv5s的裝甲目標(biāo)檢測(cè)方法。主要工作如下：

（1）利用通道注意力對(duì)高價(jià)值特征選擇性加強(qiáng)的能力，將ECA注意力模塊添加到Y(jié)OLOv5s網(wǎng)絡(luò)中的部分卷積模塊之后，降低融合卷積層中低利用率特征的影響。

（2）改進(jìn)損失函數(shù)，優(yōu)化邊框回歸與正負(fù)樣本分配。

（3）改進(jìn)YOLOv5的FPN結(jié)構(gòu)，增加大尺寸特征層，更好地利用小目標(biāo)淺層特征圖中的信息。

1? YOLOv5目標(biāo)檢測(cè)算法

YOLOv5算法融合了眾多深度學(xué)習(xí)目標(biāo)檢測(cè)框架的優(yōu)點(diǎn)，是實(shí)時(shí)性與準(zhǔn)確性俱佳的One-Stage目標(biāo)檢測(cè)算法，也是目前應(yīng)用廣泛的目標(biāo)檢測(cè)模型之一。YOLOv5s是YOLOv5系列中最輕量化的模型，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由輸入端、Backbone、Neck、輸出端四個(gè)部分構(gòu)成。

YOLOv5s目標(biāo)檢測(cè)算法通過(guò)匯集各個(gè)算法的優(yōu)點(diǎn)，使得檢測(cè)速度和檢測(cè)精度都達(dá)到了較高的水平，能滿(mǎn)足戰(zhàn)場(chǎng)環(huán)境下的實(shí)時(shí)性要求。為此，本文以YOLOv5s為基礎(chǔ)算法研究適用于裝甲目標(biāo)的檢測(cè)算法。由于YOLOv5s是以單階段內(nèi)同時(shí)完成裝甲目標(biāo)檢測(cè)與定位的方式來(lái)提升檢測(cè)速度，當(dāng)裝甲目標(biāo)的尺度較小時(shí)，YOLOv5s在精度上的劣勢(shì)也將被放大。

我們往往采用高空偵察機(jī)對(duì)裝甲目標(biāo)進(jìn)行拍照，以高海拔觀測(cè)等方式從距離目標(biāo)較遠(yuǎn)處采集圖像，裝甲目標(biāo)在圖像中的成像尺度較小，且裝甲目標(biāo)往往結(jié)合周?chē)h(huán)境進(jìn)行偽裝，與背景對(duì)比度較低，在特征提取環(huán)節(jié)易受干擾，使得目標(biāo)定位精度較差。

YOLOv5s算法通過(guò)FPN結(jié)構(gòu)采集三個(gè)尺度的特征圖，其中淺層特征圖包含更多語(yǔ)義信息，更有利于對(duì)小尺度目標(biāo)的檢測(cè)。然而，裝甲目標(biāo)圖像中含有尺度更小的微小目標(biāo)，YOLOv5s的淺層特征圖仍然不能滿(mǎn)足微小目標(biāo)的檢測(cè)精度要求。

2? 改進(jìn)裝甲目標(biāo)檢測(cè)算法

針對(duì)上述YOLOv5s在裝甲目標(biāo)檢測(cè)任務(wù)中存在的不足，本文從優(yōu)化損失函數(shù)，增強(qiáng)網(wǎng)絡(luò)感受野，提升網(wǎng)絡(luò)特征提取能力等方面對(duì)YOLOv5s算法進(jìn)行改進(jìn)，進(jìn)而提升裝甲目標(biāo)的檢測(cè)精度。同時(shí)對(duì)部分特征提取網(wǎng)絡(luò)進(jìn)行輕量化處理，提升檢測(cè)速度。

2.1? 改進(jìn)的FPN結(jié)構(gòu)

YOLOv5s中FPN+PAN結(jié)構(gòu)通過(guò)高中低三層特征層的疊加，在多尺度目標(biāo)檢測(cè)場(chǎng)景中取得了較好的效果，但對(duì)于微小尺度的裝甲目標(biāo)，仍無(wú)法達(dá)到良好的性能。原因在于FPN結(jié)構(gòu)通過(guò)包含更多邊緣信息及幾何信息的高分辨率淺層特征進(jìn)行小目標(biāo)的檢測(cè)，但其淺層特征圖大小為原始輸入的1/8，微小目標(biāo)的表達(dá)仍然受到較大干擾。因此，可利用更淺層的特征圖來(lái)提高對(duì)微小目標(biāo)的檢測(cè)效果。本文對(duì)原始YOLOv5的特征金字塔結(jié)構(gòu)進(jìn)行改進(jìn)，增加一個(gè)1/4原圖大小的特征層，從而獲取更多微小目標(biāo)的特征信息。改進(jìn)后的特征金字塔結(jié)構(gòu)如圖2所示。

2.2? 損失函數(shù)優(yōu)化

YOLOv5算法的損失函數(shù)由邊框損失函數(shù)、分類(lèi)損失函數(shù)及置信度損失函數(shù)組成。根據(jù)裝甲目標(biāo)的特點(diǎn)對(duì)損失函數(shù)進(jìn)行優(yōu)化，這對(duì)檢測(cè)效果的提升具有重要意義。

2.2.1? CIoU_loss邊框回歸損失函數(shù)

YOLOv5默認(rèn)邊框損失函數(shù)為GIoU_loss。在裝甲目標(biāo)檢測(cè)任務(wù)中，由于目標(biāo)尺度較小，對(duì)位置的偏差更敏感，更有可能出現(xiàn)預(yù)測(cè)框完全包含或完全不包含真實(shí)框的情況。當(dāng)預(yù)測(cè)框完全包含真實(shí)框時(shí)，無(wú)法確定目標(biāo)相對(duì)位置關(guān)系，會(huì)對(duì)精度產(chǎn)生影響。

為了解決GIoU_loss存在的問(wèn)題，本文采用CIoU_loss來(lái)改進(jìn)預(yù)測(cè)框的回歸精度。CIoU引入了預(yù)測(cè)框與真實(shí)框中心點(diǎn)之間的歐氏距離，為預(yù)測(cè)框回歸提供更好的精度。CIoU_loss計(jì)算公式為：

（1）

其中，b表示真實(shí)框的中心點(diǎn)；bgt表示預(yù)測(cè)框的中心點(diǎn)；ρ表示歐氏距離；c表示真實(shí)框與預(yù)測(cè)框的最小外接矩陣面積對(duì)角線(xiàn)長(zhǎng)度；α表示正權(quán)衡參數(shù)，如式（2）所示；v表示衡量縱橫比一致性的參數(shù)，如式（3）所示；IoU則表示真實(shí)框與預(yù)測(cè)框的重疊面積。

（2）

（3）

2.2.2? Focal Loss損失函數(shù)

微小裝甲目標(biāo)在整幅圖像中的占比較低，能夠匹配到的預(yù)測(cè)框（正樣本）較少，而沒(méi)有匹配到的預(yù)測(cè)框（負(fù)樣本）比例極高，在訓(xùn)練過(guò)程中會(huì)出現(xiàn)負(fù)樣本淹沒(méi)正樣本的表達(dá)。原始YOLOv5并未增加小目標(biāo)損失權(quán)重在損失函數(shù)中的占比，導(dǎo)致微小裝甲目標(biāo)的檢測(cè)效果不夠理想。為了解決正負(fù)樣本不平衡的問(wèn)題，本文引入Focal Loss損失函數(shù)來(lái)計(jì)算分類(lèi)誤差。

（4）

（5）

（6）

其中，p表示樣本預(yù)測(cè)概率；α表示平衡參數(shù)，在正樣本數(shù)量較少時(shí)，通過(guò)減小α增大對(duì)錯(cuò)誤樣本的懲罰來(lái)改善樣本的不平衡性；ζ表示聚焦參數(shù)，通過(guò)該調(diào)制因子聚焦難分樣本，增大小目標(biāo)的損失比。根據(jù)其他研究人員的經(jīng)驗(yàn)，本文取α=0.25，ζ=3。

2.3? 注意力機(jī)制

2.3.1? ECA注意力模塊

通道注意力機(jī)制在不改變網(wǎng)絡(luò)輸出的前提下為各通道賦予不同權(quán)重來(lái)加強(qiáng)關(guān)鍵通道的影響力。SENet模塊通過(guò)兩個(gè)全連接層來(lái)捕獲通道相關(guān)性。雖然該策略被廣泛應(yīng)用于后續(xù)的通道注意模塊之中，但分析結(jié)果表明，降維會(huì)對(duì)渠道關(guān)注度的預(yù)測(cè)產(chǎn)生負(fù)面影響，同時(shí)，全連接層的較大計(jì)算量也會(huì)對(duì)性能產(chǎn)生影響。

為了實(shí)現(xiàn)不降維通道間的交互，ECA注意力模塊通過(guò)一種一維卷積方法，回避了降維對(duì)學(xué)習(xí)通道注意力的負(fù)面影響，并且在不影響性能的前提下降低模型的復(fù)雜性。因而本文將ECA模塊引入YOLOv5s網(wǎng)絡(luò)中，讓網(wǎng)絡(luò)更加關(guān)注小尺度目標(biāo)，提取出更多不同的特征，用以區(qū)分目標(biāo)與背景。

ECA模塊結(jié)構(gòu)如圖3、圖4所示。

各通道注意力權(quán)重用P表示：

（7）

Y為gap后各通道，如式（8）所示：

（8）

通過(guò)簡(jiǎn)單的矩陣運(yùn)算，在ECA模塊避免各通道注意力權(quán)重完全獨(dú)立的同時(shí)，降低了參數(shù)量。

2.3.2? ECA-C3模塊

添加注意力模塊的位置決定了其作用效果。隨著網(wǎng)絡(luò)的加深，通道包含的語(yǔ)義信息更加豐富，有利于小目標(biāo)識(shí)別的紋理、輪廓等信息逐漸弱化。對(duì)于YOLOv5網(wǎng)絡(luò)，通過(guò)Backbone層中的C3模塊進(jìn)行特征提取，Neck層和Head層主要負(fù)責(zé)分類(lèi)。因此，本文將ECA注意力模塊嵌入Backbone層內(nèi)的C3模塊中。

3? 實(shí)驗(yàn)驗(yàn)證與分析

3.1? 數(shù)據(jù)集構(gòu)建

公開(kāi)的裝甲目標(biāo)數(shù)據(jù)集較少，因此本文采用自制的裝甲目標(biāo)數(shù)據(jù)集。一部分來(lái)自公開(kāi)數(shù)據(jù)集，一部分來(lái)自網(wǎng)絡(luò)搜集。采用Mosaic對(duì)樣本進(jìn)行隨機(jī)裁剪、縮放、拼接等操作，在豐富數(shù)據(jù)集的同時(shí)增加了小樣本目標(biāo)，提升了網(wǎng)絡(luò)的訓(xùn)練速度。數(shù)據(jù)集中部分圖片如圖5所示。

3.2? 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)平臺(tái)硬件配置為：Intel Xeon Silver 4210R處理器，NVIDIA RTX 3060顯卡，操作系統(tǒng)為Windows 10專(zhuān)業(yè)版，開(kāi)發(fā)環(huán)境為Python 3.9，PyTorch 1.6.0，CUDA 11.1。

3.3? 參數(shù)設(shè)置

訓(xùn)練過(guò)程總共迭代350個(gè)epoch，Batch_size設(shè)置為16。每次訓(xùn)練都進(jìn)行參數(shù)更新，將初始學(xué)習(xí)率設(shè)置為1×10-3。在迭代150輪后，將學(xué)習(xí)率降為1×10-4。

4? 結(jié)果分析

4.1? 評(píng)價(jià)指標(biāo)

本文以平均精度（Average Precision， AP）和每秒幀數(shù)（Frame Per Second， FPS）作為主要評(píng)價(jià)指標(biāo)。如式（9）所示，AP值越高，代表網(wǎng)絡(luò)檢測(cè)裝甲目標(biāo)的性能越好。

（9）

其中，r表示某個(gè)召回率所對(duì)應(yīng)查準(zhǔn)率的值，查準(zhǔn)率r和召回率p的計(jì)算公式為：

（10）

（11）

其中，ITP表示正確檢測(cè)出的裝甲目標(biāo)；IFP表示誤檢為裝甲目標(biāo)的虛假目標(biāo)數(shù)量；IFN表示未被檢測(cè)出的裝甲目標(biāo)；FPS表示模型每秒可以處理的圖片數(shù)量，與算法的實(shí)時(shí)性成正比。

4.2? 消融實(shí)驗(yàn)

為進(jìn)一步分析各種改進(jìn)內(nèi)容在裝甲目標(biāo)識(shí)別任務(wù)中的影響，本文對(duì)某一模塊單獨(dú)作用下的改進(jìn)算法與完整改進(jìn)算法在數(shù)據(jù)集上的效果進(jìn)行對(duì)比，測(cè)試結(jié)果如表1所示，“√”表示引入該模塊。

模型1為最原始的YOLOv5s模型。在模型1的基礎(chǔ)上，模型2在C3模塊中加入了ECA注意力機(jī)制。可以發(fā)現(xiàn)，在目標(biāo)與背景對(duì)比度低等特征提取困難的情況下，ECA注意力機(jī)制對(duì)提取特征有積極的影響。

對(duì)比模型3、5、6、7可以發(fā)現(xiàn)，多層特征金字塔對(duì)提升微小目標(biāo)檢測(cè)效果的貢獻(xiàn)最為顯著。這說(shuō)明淺層特征包含的輪廓、紋理等細(xì)節(jié)信息是解決微小目標(biāo)檢測(cè)的重要基礎(chǔ)。淺層特征與深層特征的融合能有效降低冗余信息的負(fù)面影響。

模型7主要是針對(duì)損失函數(shù)進(jìn)行了優(yōu)化，引入了Focal Loss損失函數(shù)和CIoU_loss邊框回歸函數(shù)。提升了AP值，且無(wú)明顯的速度損失。證明兩者的結(jié)合能有效提升對(duì)微小目標(biāo)的檢測(cè)精度。

模型9為引入所有改進(jìn)內(nèi)容的算法。在不明顯犧牲速度的情況下，精度達(dá)到了最佳。可以得出，相較于原始YOLOv5s算法，本文提出的改進(jìn)內(nèi)容有效改善了裝甲目標(biāo)的檢測(cè)效果。

4.3? 對(duì)比評(píng)價(jià)

為了驗(yàn)證本文所提算法的有效性及優(yōu)越性，將本文最終提出的算法模型與原始YOLOv5s算法、YOLOv5x算法、YOLOv5m算法、YOLOv4-tiny算法、SSD算法、Faster R-CNN算法在數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)對(duì)比，對(duì)比結(jié)果如表2所示。

對(duì)比表2中不同算法模型的實(shí)驗(yàn)結(jié)果，從中可以看出，相較于two-stage的Faster R-CNN算法，YOLO系列算法和SSD算法等one-stage算法在檢測(cè)速度上都有著壓倒性的優(yōu)勢(shì)。

對(duì)比YOLOv5s與SSD算法，YOLOv5在檢測(cè)速度與精度上的表現(xiàn)更加突出，說(shuō)明本文選取YOLOv5s作為裝甲目標(biāo)檢測(cè)任務(wù)的基礎(chǔ)算法是合理的。

相較于檢測(cè)精度最高的YOLOv5x算法，本文所提算法FPS提高了67%，運(yùn)行速度優(yōu)勢(shì)明顯，更適合于對(duì)實(shí)時(shí)性要求較高的裝甲目標(biāo)檢測(cè)場(chǎng)景。

檢測(cè)速度最高的YOLOv4-tiny算法，雖然其檢測(cè)速度相較于其他算法有著顯著優(yōu)勢(shì)，但由于其大量使用輕量化卷積層并降低網(wǎng)絡(luò)深度，其在檢測(cè)精度上的表現(xiàn)最差，只有62.5%，未能在速度與精度指標(biāo)之間取得平衡。

綜上所述，本文所提算法擁有精度上的優(yōu)勢(shì)，與此同時(shí)并沒(méi)有過(guò)多地犧牲檢測(cè)速度，整體表現(xiàn)更加突出。改進(jìn)算法的效果如圖6所示。

5? 結(jié)? 論

本文提出一種改進(jìn)的YOLOv5s算法，主要針對(duì)裝甲目標(biāo)圖像中的目標(biāo)尺度較小、背景復(fù)雜、特征提取受限導(dǎo)致的無(wú)法同時(shí)滿(mǎn)足檢測(cè)速度及精度的問(wèn)題，得出如下結(jié)論：

（1）在特征金字塔結(jié)構(gòu)中增加淺層特征層，能有效地提升對(duì)微小裝甲目標(biāo)的特征表達(dá)，提升了檢測(cè)精度。

（2）Focal loss通過(guò)為正負(fù)樣本賦予不同權(quán)重，降低正負(fù)樣本不均衡和難易樣本對(duì)檢測(cè)精度的影響。

（3）在特征提取模塊后添加ECA模塊能有效地提升網(wǎng)絡(luò)中關(guān)鍵通道的表達(dá)能力，提升網(wǎng)絡(luò)的效率。

實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法在裝甲目標(biāo)檢測(cè)常見(jiàn)場(chǎng)景中，能夠在滿(mǎn)足實(shí)時(shí)性要求的前提下有效地區(qū)分目標(biāo)與背景，提高對(duì)小目標(biāo)的識(shí)別效果。同時(shí)，相較于通用數(shù)據(jù)集的普通目標(biāo)檢測(cè)任務(wù)，裝甲目標(biāo)檢測(cè)精度仍有一定的提升空間。本文的數(shù)據(jù)集只是區(qū)分裝甲目標(biāo)與背景，未對(duì)裝甲目標(biāo)的種類(lèi)做進(jìn)一步的區(qū)分，后續(xù)研究應(yīng)注重提升算法的泛化能力。

參考文獻(xiàn)：

[1] 鄧?yán)冢詈７?基于多尺度整體嵌套池化語(yǔ)義的裝甲目標(biāo)檢測(cè) [J].激光與紅外，2022，52（2）：295-304.

[2] 孫皓澤，常天慶，張雷，等.基于輕量級(jí)網(wǎng)絡(luò)的裝甲目標(biāo)快速檢測(cè) [J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2019，31（7）：1110-1121.

[3] 王全東，常天慶，張雷，等.基于深度學(xué)習(xí)算法的坦克裝甲目標(biāo)自動(dòng)檢測(cè)與跟蹤系統(tǒng) [J].系統(tǒng)工程與電子技術(shù)，2018，40（9）：2143-2156.

[4] 王曙光，呂攀飛.改進(jìn)YOLOv2的裝甲車(chē)輛目標(biāo)識(shí)別 [J].計(jì)算機(jī)與現(xiàn)化，2018（9）：68-71+79.

[5] HU J，SHEN L，SAMUEL A，et al. Squeeze-and-excitation networks [C]//Proceedings of IEEE conference on computer vision and? pattern recognition. Salt Lake City：IEEE，2018：7132-7141.

[6] WANG Q，WU B，ZHU P，et al. ECA-Net： efficient channel attention for deep convolutional neural networks [C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle：IEEE，2020：11531-11539.

[7] GIRSHICK R，DONAHUE J，DARRELL T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation [C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus：IEEE，2014：580-587.

[8] REN S Q，HE K M，ROSS G，et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks [J].IEEE transactions on pattern analysis and machine intelligence，2017，39（6）：1137-1149.

[9] REDMON J，DIVVALA S K，GIRSHICK R B，et al. You Only Look Once： Unified， Real-Time Object Detection [EB/OL].[2022-09-25].https：//blog.csdn.net/weixin_54546190/article/details/123028952.

[10] LIU W，ANGUELOV D，ERHAN D，et al. Ssd： Single shot multibox detector [C]//European conference on computer vision. Amsterdam：Cham，2016：21-37.

[11] HOWARD，ANDREW G. Mobilenets： Efficient convolutional neural networks for mobile vision applications [EB/OL].[2022-01-2].https：//arxiv.org/pdf/1704.04861v1.pdf.

[12] ZHANG X Y，ZHOU X Y，LIN M X，et al. ShuffleNet： An Extr-emely Efficient Convolutional Neural Network for Mobile Devices [C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：6848-6856.

[13] 叢眸，張平，王寧.基于改進(jìn)YOLOv3的裝甲車(chē)輛檢測(cè)方法 [J].兵器裝備工程學(xué)報(bào)，2021，42（4）：258-262.

[14] SANDLER M，HOWARD A G，ZHU M L，et al. Mobilenetv2： Inverted residuals and linear bottlenecks [C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City：IEEE，2018：4510-4520.

[15] HOWARD A，SANDLER M，CHU G，et al. Searching for mobilenetv3 [C]//Proceedings of the IEEE International Conference on Computer Vision. Seoul：IEEE Computer Society，2019：1314-1324.

[16] MA N N，ZHANG X Y，ZHENG H T，et al. Shufflenetv2： Practical guidelines for efficient CNN architecture design [C]//Proceedings of the European Conference on Computer Vision. Munich：Springer，2018：122-138.

[17] 王燕妮，余麗仙.注意力與多尺度有效融合的SSD目標(biāo)檢測(cè)算法 [J].計(jì)算機(jī)科學(xué)與探索，2022，16（2）：438-447.

作者簡(jiǎn)介：易圖明（1969.10—），男，漢族，四川南充人，正高級(jí)工程師，國(guó)務(wù)院政府特殊津貼專(zhuān)家，本科，主要研究方向：通信技術(shù)；通訊作者：王先全（1968.09—），男，漢族，四川華鎣人，教授，碩士研究生，主要研究方向：計(jì)算機(jī)軟件技術(shù)和智能儀器。

收稿日期：2022-08-03