基于YOLOX的輕量化目標檢測算法及其應用

中圖分類號：TP391 文獻標志碼：A

Lightweight object detection algorithm based on YOLOX and its application

CHAI Weizhen， WANG Chaoli， SUN Zhanquan （School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract： Object detection algorithms are widely used in the field of production safety. To address the problems of slow detection speed and low detection accuracy in complex construction environments， an improved YOLOX detection algorithm was proposed. First， based on the lightweight convolution module Ghost moudle， the backbone network was reconstructed to compress the model parameters and computational complexity， thereby improving detection speed. Second， embedding the coordinate attention mechanism at the output of the backbone network to enhance the model's ability to learn key position information. Finally， recursive gated convolution was introduced into the neck network to enhance the model's spatial position perception ability and capture long-range dependencies in the image. The improved model are experimentally validated on the Pascal VOC and SHWD datasets， comparing with the baseline model， mean average precision increase by 1.69% and 1.1% respectively， model parameter count decrease by 18.8% ， computational load decrease by 23.3% ， and frame rate increase by 7.6% . Deploying the purposed model on terminal devices can be applied to real-time monitoring and detection in construction environments.

Keywords： object detection; lightweight; coordinate attention; recursive gated convolution

目標檢測算法在生產安全領域應用廣泛，它可以代替傳統的人工監督方法，節約人力物力。在智慧工地建設中，將目標檢測算法應用于工人安全帽佩戴檢測，可以有效保障復雜施工環境下工人的生命安全。但在實際應用場景中，對算法的實時性和檢測精度都有較高的要求。

傳統的目標檢測方法需要人工設計圖像特征提取算子再進行檢測，代表算法有HOG[1和DPM[2]，這種方法過程繁瑣，模型通用性和魯棒性較差，檢測準確率較低。深度學習方法不用人為設置圖像特征，可以根據圖像本身學習其內在的屬性，基于深度學習的目標檢測算法已被廣泛應用于生產安全領域，例如安全帽檢測、人臉識別、火焰檢測等。目前，基于深度學習的目標檢測算法可大致分為2類：一類是兩階段（two-stage）目標檢測算法，其代表有Fast R-CNN[3]、Faster R-CNN[4]；另一類是單階段（one-stage）的目標檢測算法，其代表有YOLO[5]、SSD和ATSS[等。兩階段檢測算法的思路，是將可能存在物體的區域視為候選區域（region proposal），在此候選區域的基礎上完成分類和回歸任務。這種方法的網絡結構復雜、計算量大，檢測速度與單階段檢測算法差距很大，不能滿足安全帽檢測這一實時應用場景的需求。而在單階段的檢測算法中，省去了候選區域的提取工作，經過單階段的網絡直接完成分類和回歸任務，因此其檢測速度大大提高，可以滿足實時檢測應用場景的需求。在單階段檢測算法中，YOLO系列檢測方法既可以保持較高的精度，又有很快的檢測速度，因此在安全帽檢測中應用最為廣泛。張業寶等在SSD的基礎上，采用 VGGl6^[9] 預訓練模型進行遷移學習，加速訓練過程，提高了檢測速度和檢測精度。謝國波等[10]在 YOLOv4^[11] 的基礎上，融合通道注意力機制、增加特征尺度，改善了算法的檢測精度，但檢測速度和精度還顯不足，主要原因是YOLOv4使用的是DarkNet-53主干網絡。呂宗喆等[12]在YOLOv5的基礎上，對邊界框損失函數和置信度損失函數進行優化，改善了對密集小目標特征的學習效果。

YOLOv3[13]是YOLO系列的集大成者，但其需要人工設計檢測框的大小。在FCOS[14]中，作者將特征圖像素坐標映射回到原圖，通過1個解耦頭直接完成分類和回歸任務，省去了復雜的錨框設計。Ge等[15借鑒了FCOS的解耦頭設計，在YOLOv3的基礎上改進得到YOLOX。該算法引入SimOTA標簽分配策略篩選正樣本、加快網絡推理速度，采用無錨框檢測思路省去了復雜的錨框設計、節省了計算資源，并且采用解耦頭分別預測回歸任務和分類任務，提高了檢測精度。YOLOX在保證高檢測精度的前提下，檢測速度快、模型參數量小、部署簡便，非常適用于實際場景中的實時檢測。本文在YOLOX的基礎上，對算法繼續進行改進，進一步提升網絡的檢測精度和檢測速度，主要工作為：

a.在主干網絡中引入了輕量化卷積模組Ghostmoudle[16]，構建了新的主干網絡G-Backbone，在保證檢測精度幾乎沒有損失的前提下，大大壓縮了模型參數量和計算量，提高了檢測速度。

b.在主干網絡的輸出端融入了坐標注意力（coordinate attention，CA）機制[17]，有效解決了安全帽檢測中復雜背景帶來的特征提取困難的問題，減少了關鍵特征信息的損失，同時還能學習到空間位置信息，有助于模型快速定位與識別。

c.提出了基于遞歸門控卷積模組 gⁿConv^[18] 的特征提取模塊g-CSP，將其融入到頸部網絡中構建了新的頸部網絡g-Neck，增強了網絡的空間位置感知能力，改善了多目標的檢測，且在 gⁿConv 中還采用了 7×7 的大卷積核，有利于擴大網絡的感受野，捕獲長距離依賴關系。

YOLOX目標檢測算法

YOLOX的網絡結構如圖1所示，其主體結構由主干網絡（backbone）、頸部網絡（neck）、檢測頭（head）3部分構成。在輸入端，使用Mosaic和Mixup數據增強策略提高數據的豐富性，緩解因數據不足而造成的網絡過擬合現象；主干網絡為Darknet-53，用于初步提取圖像特征，主體結構為Focus和CSP組件。Focus的操作過程如圖2所示，具體為在輸入圖片上隔像素取值，以進行下采樣，采樣得到的特征圖通道數變為原來的4倍，最后再經過1個 3×3 卷積提取特征。Focus操作可以把原來單通道上的信息拓展到通道空間上，并且減少了下采樣過程中的信息丟失。CSP組件為融合了殘差塊的全卷積特征提取模塊，在主干網絡中，通過多次堆疊特征提取模塊，可以加深網絡層數，擴大網絡感受野，提取深層次的圖像信息。輸入圖像經過主干網絡后，分別輸出3個不同尺度的特征圖，隨后進入路徑聚合特征金字塔網絡（pathaggregation-featurepyramidnetwork，PA-FPN）中進行多尺度的特征融合。首先，在特征金字塔網絡（featurepyramidnetwork，FPN）中采用自頂向下的方式，將深層信息上采樣后與淺層信息融合；其次，在路徑聚合網絡（pathaggregationnetwork，PAN）中則采用自底向上的方式，將淺層信息下采樣后與深層信息融合，融合過后依然得到3個不同尺度的特征圖，這3個尺度的特征圖分別對應著不同大小的感受野并用于檢測不同大小的物體；最終，將頸部網絡輸出的特征再輸入到圖3所示的解耦頭中，在解耦頭中將特征信息解耦，分為兩條支路，分別負責預測分類任務和回歸任務，預測結果包含分類分數、位置參數和置信度3部分。

2 模型改進

2.1 輕量化主干網絡G-backbone

常規卷積如圖4所示，對于輸入數據X∈R^c×h×w ，c、h、w分別表示輸入特征圖的通道數、高和寬，常規卷積操作如下：

Y=X*f+b

式中：*表示卷積操作；b為偏置項；Y∈Rxh′xw為輸出特征圖，n'、h、 w 分別表示輸出特征圖的通道數、高和寬； f∈R^c×k×k×n 為卷積操作， k×k 為卷積核大小， n 為卷積核個數。

常規卷積操作的輸出特征圖中往往包含很多相似的冗余信息，為壓縮模型參數量，提高網絡的檢測速度，本文引入了圖5所示的輕量化卷積Ghostmoudle重建主干網絡。Ghostmoudle先通過常規卷積操作，輸出m層初始特征圖Y∈ Rmxh'xw

如式（2）所示：

Y^'=X*f^'

式中， f^'∈R^c×k×k×m 為卷積操作且 m?n 。再將其通過一系列廉價的線性變換操作，得到相似的 （n-m） 層特征圖，如式（3）所示：

y_ij=Φ_i，j（y_i'），?i=1，…，mj=1，…，s

式中：y代表通過線性變換得到的 （n-m） 層相似特征圖， s=n/m 為擴充的倍數； Φ 為線性變換，其具體實現為卷積核大小為 d×d 的深度可分離卷積。最后，把初始特征圖 Y^′ 恒等映射后的結果和線性變換后的結果y拼接作為最終的輸出特征圖。

K_conv=cnk²h^'w^'

考慮到 d≈k 以及 s?c ，常規卷積與Ghostmoudle的計算量之比為

由此可見，常規卷積的計算量是Ghostmoudle的 s 倍。因此，通過Ghostmoudle重新構建主干網絡，可以達到減少計算量、加速計算的目的，本文中 s 取2。

基于Ghostmodule構建的特征提取模塊Ghostbottleneck的結構如圖6所示。當步長stride ：=1 時，Ghostbottleneck由2個Ghost moudle構成，輸入輸出維度相同。當stride σ=2σ 時，Ghost bottleneck由2個Ghostmoudle和1個深度可分離卷積塊組成，殘差連接部分加入卷積操作降維，在第一個Ghostmoudle后，同樣采用深度可分離卷積降維。此時，模塊除了可以進行特征提取，還兼具下采樣的功能。基于Ghostbottleneck重構的主干網絡結構如表1所示，將原網絡的CBS和CSP模塊替換為更加輕量的Ghostbottleneck，考慮到輕量化網絡可能會帶來信息的丟失問題，在主干網絡中嵌入SE（squeeze-and-excitation）[19]模塊，增強關鍵特征，提高主干網絡的特征提取能力。更改后，主干網絡的模型參數量大幅下降，檢測速度更快。

2.2 坐標注意力機制

為避免安全帽檢測中復雜背景帶來的冗余信息感干擾，彌補YOLOX網絡檢測精度的不足，使網絡關注到更有意義的信息，在主干網絡的輸出端引入注意力機制。傳統的通道注意力機制SE采用了全局池化對空間信息進行編碼，但它將全局信息壓縮到通道描述中，因此很難保存位置信息，而位置信息在視覺任務中對于捕獲空間位置結構至關重要。在本文中，引入了CA機制，它采用“分而治之”的思想，將全局池化分解為垂直方向和水平方向上的平均池化，進而實現位置信息的編碼，其結構如圖7所示。

對于輸入數據 X∈R^c×h×w ，分別使用平均池化核 （H， 1） 和（1， W） 編碼水平方向和垂直方向的信息，則第 Ψ_c 個通道在高 h 處的編碼信息為

式中： x_c（h，j） 指輸入特征圖第 c 個通道上位置坐標（h，j） 處的像素值。

同樣地，第 Ψ_c 個通道在寬 w 處的編碼信息為

式中： x_c（j，w） 指輸入特征圖第 Ψ_c 個通道上位置坐標（j，w） 處的像素值。

隨后，將兩部分編碼信息拼接，經過1個1×1 卷積層 F₁ 和非線性激活函數層 δ ，將特征圖通道數壓縮為 c/r ，生成包含位置信息的中間特征層f∈R^{c/r×（h+w）} ，即

f=δ{F₁（[z^h，z^w]）}

再將 f 沿空間維度分解為2個向量 f^h∈R^c/r×h 和f^w∈R^c/r×w ，后再經過2個 1×1 卷積層 F_h 、 F_w 和2個Sigmoid激活函數層 δ ，將通道數還原為 c ，得到2個獨立空間方向的注意力權重為

最終的輸出為

y_c（i，j）=x_c（i，j）×g_c^h（i）×g_c^w（j）

區別于通道注意力模塊僅考慮不同通道的重要程度，CA模塊考慮了空間信息的編碼，從而可以讓模型更加準確地定位感興趣對象的確切位置。本文中，將CA模塊引入到圖1中dark3、dark4、dark5的輸出端，可以顯著提升模型的檢測精度。

2.3 融合空間信息的頸部網絡g-Neck

YOLOX頸部網絡用于進一步的特征提取與特征融合，此過程中的卷積操作全部為標準的卷積操作，但標準的卷積操作沒有考慮到空間之間的相互作用，在經過多次的卷積、上采樣、拼接操作后，會造成細節空間信息損失，不利于對多目標和小目標物體的檢測。為解決以上問題，本文引入了遞歸門控卷積模組 gⁿConv 模塊，設計了新的CSP組件和新的頸部網絡g-Neck。

gⁿConv 是1個實現長期和高階空間交互作用的模塊， n 代表空間交互的階數。此模塊具有類似于自注意力self-attention[20]的作用，它借鑒了Vit[21]中對于空間交互作用的建模。Vit的成功主要歸因于自注意力機制對視覺數據中的空間交互作用進行了適當的建模。但是，自注意力操作引入的巨大參數量，對于要求實時性的YOLOX模型來說并不實用。而 gⁿConv 通過標準卷積、線性映射和矩陣元素相乘等廉價操作實現空間交互，計算量代價更小。本文引入的三階 g³Conv 的結構如圖8所示。

gⁿConv 的基礎結構為 n=1 的一階門控卷積gConv，對于輸入特征圖 X∈R^c×h×w ，gConv的輸出 y 為

[p₀^hw×c，q₀^hw×c]=Φ_in（x）∈R^hw×2c

y=Φ_out[f（q₀）?p₀]∈R^hw×c

式中： Φ_in 和 Φ_out 為執行通道混合操作的線性映射操作，具體實現是卷積核大小為 1×1 的常規卷積； f 為卷積核大小為 7×7 的深度可分離卷積，大卷積核旨在增大網絡的感受野，更容易捕獲長期依賴關系； p₀ 和 q₀ 是將線性映射操作的結果在通道維度上切分后的特征層； ? 為按元素相乘的操作。以此類推，將此過程重復 n 次，即可得到n 階的遞歸門控卷積 gⁿConv 。圖8中演示的為三階遞歸門控卷積。通過這種建模通道間信息交互的做法，可以極大地提升模型的空間建模能力。

本文基于由 gⁿConv 卷積模塊構建的特征提取模塊 g -Block，重新設計了新的特征提取組件gCSP。 g -Block模塊借鑒了self-attention的元架構設計，其結構如圖9所示，它包含了1個空間混合模塊HorBlock和1個前饋網絡（feed-forwardnetwork，FFN）。空間混合模塊HorBlock是1個歸一化層和 gⁿConv 組成的殘差塊，完成空間交互建模；FFN為1個歸一化層和多層感知機（multilayerperceptron，MLP）構成的殘差塊。 g -Block旨在用簡單的操作建模長距離的空間信息，使其適用于輕量化的網絡中。

重新設計的特征提取組件g-CSP結構如圖10所示。在g-CSP中，輸入特征先經過1個常規卷積塊提取特征，后進入 g -Block和深度可分離卷積塊中提取特征，將其與另一條支路的常規卷積塊提取的特征拼接后，再次輸入到1個深度可分離卷積塊中并輸出最終結果。引人深度可分離卷積的目的是降低參數量。本文基于 g -CSP組件，設計了新的頸部特征融合網絡 g -Neck，其結構如圖11所示，C3、C4、C5分別為從主干網絡輸出的3個尺度的特征層，其尺寸大小分別為 80×80×128 ！40×40×256 、 20×20×512 。3個尺度的特征經過上采樣、下采樣和拼接融合后，輸出3個特征層P3、P4、P5，其尺寸大小分別為 80×80×128 、 40×40× 256、 20×20×512 。圖1所示的YOLOX頸部網絡采用了CSP組件進行特征提取與融合。本文將頸部網絡中原始的CSP組件替換為重新設計的 g -CSP組件，旨在改善模型的空間特征提取能力。

3 實驗結果與分析

3.1 數據集與實驗環境

實驗數據采用2個開源的數據集：第一個數據集為SHWD安全帽數據集，針對生產安全領域的安全帽檢測問題；第二個數據集為PASCALVOC07+12^[22-23] 通用數據集，用于對改進后的算法做進一步的驗證。其中SHWD安全帽數據集包含7581張圖片，訓練集和測試集按 7：3 劃分，訓練集包含5307張圖片，測試集包含2274張圖片，包含hat和person2個類別；PascalVOC數據集由PascalVOC2007和PascalVOC2012這2個數據集合并得到，訓練集由2個數據集共同組成，一共含16551張圖片，測試集由PascalVOC2007提供，包含4952張圖片，包含cat、person、dog等20個類別。

實驗在Linux操作系統上進行訓練和測試，處理器型號為Intel（R）Xeon（R）Platinum6l64CPU @ 1.90GHz ，內存大小為24GB，顯卡型號為NVIDIAGeForceRTX3090，深度學習框架為Pytorch，每個模型從頭開始訓練，網絡輸入大小為 640×640 ，epoch為200輪，初始學習率為0.0025。在前5輪訓練中，凍結學習率，使網絡熟悉數據；后195輪訓練中優化器設置為SGD，其動量和衰減系數分別為0.9和0.0005，單次訓練樣本數量batch size為16。訓練數據采用Mosaic和Mixup數據增強以增加數據的多樣性：Mosaic數據增強為隨機選擇4張圖片，將其縮放后拼接為1張圖片；Mixup數據增強為隨機選擇2張圖片，將其按一定比例融合為1張圖片。

3.2 評價指標

為了衡量模型檢測效果，本文采用模型參數量衡量模型大小，采用每秒10億次的浮點運算數表示模型的計算量，采用幀率衡量模型的檢測速度，采用平均精度 A 和平均精度均值 M_AP 衡量模型的檢測精度。 A 與 M_AP 綜合考量了精準率 P 和召回率 R ： P 是指正確預測某類的數量占全部預測為該類的數量的比例； R 是指正確預測某類的數量占實際上全部為該類的數量的比例。 A 可以用來評估每一類的檢測效果，它是以召回率為橫軸、以精確率為縱軸組成的曲線圍成的面積。將所有類的 A 值取均值可以得到 M_AP 。計算公式為

式中： N_TP 為正確預測為正類的樣本數量； N_FP 為錯誤預測為正類的樣本數量； N_FN 為漏檢的正類樣本數量； a 為所有類別數。

YOLOX的損失函數包含3部分，分別為分類損失、置信度損失和錨框的回歸損失，計算公式為

式中： L_CE 和 L_CIoU 分別表示交叉熵損失函數和CIoU[24]損失函數；Npos表示正樣本的數量；Q和G 分別表示預測樣本和標簽；上標pos和neg分別表示訓練過程中的正樣本和負樣本； λ₁ 和 λ₂ 分別表示置信度損失和錨框回歸損失的權重值；下標Cls表示分類任務，Obj表示置信度預測任務，Reg表示錨框回歸任務。圖12演示了預測框 B 與目標框 B^gt 的相交情形， ρ 為兩框中心點的距離，1為兩框的最小外接矩形的對角線的長度， w^gt 為目標框 B^gt 的寬， h^gt 為目標框 B^gt 的高。CIoU損失函數計算式為

式中： I 為交并比，即2個矩形框交集的面積與并集的面積之比； 分別表示預測框和目標框的中心點； α 為權重系數； ν 為高寬比的一致性。圖13展示了訓練過程中的損失變化曲線，totalloss代表總損失，ciouloss代表錨框回歸損失，confloss代表置信度損失，clsloss代表分類損失。可以發現，訓練到200輪epoch時，4項損失值均已收斂。

3.3 消融實驗

為檢驗模型的有效性，在訓練參數相同的情況下，對3處改進進行消融實驗。在SHWD數據集上的結果如表2所示， A₁ 和 A₂ 分別表示對佩戴安全帽和未佩戴安全帽的工人的檢測精度。實驗1為本文基線模型YOLOX的實驗結果；實驗2采用輕量化的特征提取模塊重新構建了主干網絡，改進模型的參數量下降了 21.5% ，計算量下降了24.5% ，檢測速度提高了 14.1% ，檢測精度基本保持不變；實驗3添加了CA模塊，較基線網絡的平均精度均值提升了 0.9% ，說明CA模塊可以讓模型更加關注網絡感興趣的區域、過濾冗余的信息、提高模型的性能，而添加CA后的模型參數量和計算量基本保持不變；實驗4采用空間交互能力更強的g-Neck頸部特征融合網絡替換原網絡，較基線網絡的平均精度均值提高了 0.82% ，其原因在于模型學習了更多的空間位置信息，定位能力更強，這對于目標檢測任務而言至關重要，雖然模型參數量和計算量稍稍增加，犧牲了少量的檢測速度，但仍滿足使用需求；實驗5替換輕量化主干網絡的同時，添加了坐標注意力CA模塊，結果顯示，CA模塊在只增加少量參數量和計算量的情況下，彌補了輕量化網絡帶來的檢測精度損失；實驗6為本文最終改進模型，同時添加了3處改進，較基線網絡的參數量下降 18.8% ，計算量下降 23.3% ，檢測速度提高 7.6% ，平均精度均值提高 1.69% ，證明最終改進模型是一種更快、更強的檢測模型。圖14為平均精度均值變化曲線，藍色代表基線模型YOLOX，紅色代表本文最終改進模型。結果表明，改進后的模型以更高的精度收斂。

在基線模型上分別添加3種不同的注意力機制 SE、CBAM[25]、CA，實驗結果如表3所示。SE采用全局池化的方法將通道信息壓縮，沒有考慮到位置信息；CBAM在SE的基礎上嘗試通過卷積操作捕獲空間位置信息，但卷積操作在建模長期依賴關系時效果不佳；CA選擇在特征圖的 h 和w 方向上壓縮位置信息，再將其嵌入到通道注意力中，效果更佳。實驗結果表明，添加CA相較于添加SE和CBAM，平均精度均值分別提高了0.28% 和 0.24% 。

3.4 對比實驗

為進一步驗證模型的有效性，本文在公開數據集SHWD和PascalVOC上與現階段目標檢測的主流模型進行性能比較，選用的對比模型有兩階段檢測算法FastR-CNN、FasterR-CNN和單階段檢測算法SSD300、YOLOV3、YOLOV4、YOLOV5、YOLOX這7個主流模型，對比結果如表4和表5所示。在數據集SHWD上，本文改進模型的平均精度均值可以達到 88.0% ，檢測速度可以達到99f/s ，2項指標在所有模型中均為最高。在PascalVOC數據集上，本文改進模型的平均精度均值達到 83.0% ，相較于基線網絡提高 1.1% ，檢測速度為 99f/s ，2項指標同樣在所有模型中最高。

在SHWD數據集和PascalVOC數據集中，分別選取3組圖片，分別使用改進后的YOLOX算法和原始YOLOX算法進行檢測。在SHWD數據集上的對比結果如圖15所示，第1組和第2組圖片中：原算法存在被遮擋物的漏檢情況；改進后的算法檢測出了被遮擋的安全帽，說明改進后的算法特征提取能力更強。第3組圖片中：原算法不僅存在遠處小目標的漏檢，還存在錯檢的情況；改進后的算法不僅檢測到了圖片較遠處的小目標物體，錯檢率也明顯下降。與原算法相比，改進后的算法檢測置信度得分明顯提高，檢測更加精確。在PascalVOC數據集上的對比結果如圖16所示，第1組圖片中，改進后的算法檢測置信度較高，且錯檢的情況減少；第2組和第3組圖片檢測結果相同，但是改進后的算法檢測置信度同樣提高。

4結論

為提高實時檢測算法的檢測速度、檢測精度，并將其應用于生產安全領域，本文在基線模型YOLOX的基礎上提出3點改進。首先，將主干網絡替換為更輕量、速度更快的G-backbone，加快檢測速度；其次，在主干網絡的輸出端引入CA，使得模型特征提取能力增強，可以更好地關注到網絡感興趣的區域，過濾冗余信息；最后，在頸部網絡中融合了空間建模能力更強的 g-CSP ，使得模型更容易學習到空間位置信息，捕獲圖像中的長距離依賴關系。在SHWD和PascalVOC數據集上分別進行實驗驗證，結果表明3種改進策略均起到效果，最終的改進模型相較于基線網絡，不僅檢測精度有提高，模型參數量和計算量也有所減少，而且檢測速度更快，可以應用于施工環境下的實時監控檢測中

參考文獻：

[1]DALAL N， TRIGGS B.Histograms of oriented gradients for human detection[C]//2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'05）. San Diego：IEEE，2005： 886-893.

[2]FELZENSZWALB P， MCALLESTER D， RAMANAN D. A discriminativelytrained，multiscale，deformablepart model[C]//20o8 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage： IEEE， 2008：1-8.

[3]GIRSHICK R. Fast R-CNN[C]//Proceedings of the 2015 IEEE International Conference on Computer Vision. Santiago： IEEE，2015：1440-1448.

[4]RENSQ，HEKM，GIRSHICKR，etal.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.

[5]REDMON J， DIVVALA S， GIRSHICK R， et al. You only lookonce：unified， real-timeobjectdetection[C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas： IEEE， 2016： 779-788.

[6]LIU W，ANGUELOV D， ERHAN D， et al. SSD：single shot MultiBox detector[C]//14th European Conference on Computer Vision. Amsterdam： Springer， 2016： 21-37.

[7] ZHANG S F， CHI C， YAO Y Q， et al. Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection[C]//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle： IEEE， 2020： 9756-9765.

[8］張業寶，徐曉龍.基于改進 SSD的安全帽佩戴檢測方法 [J].電子測量技術，2020，43（19）：80-84.

[9] SIMONYAN K， ZISSERMAN A. Very deep convolutional networksforlarge-scaleimagerecognition[DB/OL]. [2015-04-10]. https：//arxiv.org/abs/1409.1556.

[10]謝國波，唐晶晶，林志毅，等.復雜場景下的改進 YOLOv4安全帽檢測算法[J].激光與光電子學進展， 2023，60（12）： 139-147.

[11] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection[DB/OL].[2020-04-23].https：//arxiv.0rg/abs/ 2004.10934.

[12]呂宗喆，徐慧，楊驍，等.面向小目標的YOLOv5安全帽 檢測算法[J].計算機應用，2023，43（6）：1943-1949.

[13] REDMON J， FARHADI A. YOLOv3： An incremental improvement[DB/OL]. [2018-04-08]. https：//arxiv.org/abs/ 1804.02767.

[14] TIAN Z， SHEN C H， CHEN H， et al. FCOS： fully convolutional one-stage object detection[C]//Proceedings of the 2019 IEEE/CVF International Conferenceon Computer Vision. Seoul： IEEE，2019： 9626-9635.

[15] GE Z， LIU S T， WANG F，et al. YOLOX： exceeding YOLO series in 2021[DB/OL]. [2021-08-06]. https：//arxiv. org/abs/2107.08430.

[16] HAN K， WANG Y H， TIAN Q， et al. GhostNet： more features from cheap operations[C]//Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle： IEEE， 2020： 1577-1586.

[17]HOU QB， ZHOU D Q，FENG J S. Coordinate attention for efficient mobile network design[C]//Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville： IEEE， 2021： 13708-13717.

[18] RAO Y M， ZHAO W L， TANG Y S， et al. HorNet： efficient high-order spatial interactions with recursive gated convolutions[DB/OL]. [2022-10-11]. https：//arxiv.org/abs/ 2207.14284.

[19] HU J， SHENL， SUN G. Squeeze-and-excitation networks[C]/Proceedingsofthe2018IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 7132-7141.

[20]VASWANI A，SHAZEERN，PARMARN， etal. Attention is all you need[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. Long Beach： Curran Associates Inc.， 2017： 6000-6010.

[21]DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16xl6 words： transformers for image recognition at scale[DB/OL]. [2021-06-03]. http：//arxiv.org/ abs/2010.11929.

[22] EVERINGHAM M， VAN GOOL L， WILLIAMS C K I， et al.The Pascal visual object classes （VOC） challenge[J]. International Journal of Computer Vision， 2010，88（2）： 303-338.

[23] EVERINGHAM M， ESLAMI S M A， VAN GOOL L， et al. ThePascal visual object classeschallenge：a retrospective[J]. International Journal of Computer Vision， 2015，111（1）： 98-136.

[24] ZHENG Z H， WANG P，LIU W， et al. Distance-IoU loss： fasterandbetterlearningforbounding box regression[C]//Proceedings of the 34th AAAI Conference onArtificial Intelligence. New York： AAAI， 2020： 12993-13000.

[25] WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module[C]//Proceedingsof the15th European Conference on Computer Vision. Munich： Springer，2018： 3-19.

（編輯：董偉）