吴 鑫，刘沄沄

（湘潭大学 公共管理学院，湖南 湘潭 411105）

0 引言

目标检测是计算机视觉领域的一个基本问题。近年来，在智能监控、智能分类和产品检测方面取得了长足的进步[1]。然而，自然条件下的目标检测任务仍然存在很多挑战，其中遮挡因素对检测效果的影响很大。因为遮挡会导致图像中被检测目标的局部特征丢失，影响目标特征的完整性，从而影响检测过程中的实际检测精度[2]。

为了达到较高的准确率，检测模型被广泛应用于目标检测领域。利用卷积神经网络提取图像各部分的特征，直接对目标信息进行回归，实现目标检测。在YOLO9000模型的基础上，将Fast R-CNN的瞄框引入YOLOv1并结合全卷积网络，提高模型的识别精度和速度[3]。上述方法虽然提高了图像中大小目标的检测精度，但在实际检测中，遮挡仍然会影响检测精度。因此，为了更好地解决遮挡中的目标检测精度问题，一般认为YOLOv3是更好的解决方案。理论上，与基于YOLOv1的检测模型相比，基于YOLOv3网络的检测模型可以增强目标边缘检测的能力。平均检测精度会明显高于传统的YOLOv1模型，可以达到更好的检测效果。

本文研究了传统目标检测模型的应用现状。根据调查分析结果，传统的基于YOLOv1网络的物体检测模型在检测被遮挡物体时，往往存在检测不准确、精度低等技术问题。针对这个问题，提出了一种基于YOLOv3网络模型的改进优化设计。本文基于YOLOv3网络模型，进行了整体框架重构， 优化了特征融合算法、加入注意力机制等一系列操作，大大提高了检测精度。……