拉毛措，安见才让，拉毛杰

（1.西藏大学信息科学技术学院，拉萨850000；2.青海民族大学计算机学院，西宁810007）

1 引 言

目标检测与识别技术是数字图像和视觉领域中的研究热点之一[1]，被广泛应用于人脸识别、动物管理、植物种植、交通管理等应用领域中[2-4]。其中的YOLO 算法近年来得到了广泛的应用。但YOLO 算法将目标检测任务作为回归问题来处理，没有区分前景与背景区域的差异，从而产生了较高的误检和漏检率。Faster-RCNN 目标检测算法[5]在生成感兴趣区域时就将可能含有待检测物体的区域基本标记下来，提高了分类准确率，也节省了分类过程的处理时间。当前对目标检测算法的改进主要包括：采用含有更多特征的、功能更强的基础神经网络和融合多尺度的目标特征来进行目标检测。温捷文等人[6]移除了YOLOv2 模型的Dropout 网络层，对特征提取的网络部分进行规范化处理，从而比原来YOLO v2 模型获得了更高的检测精确率和更短的训练时间。Lin 等人[7]利用人工卷积神经网络的多尺度特征，提出了一种横向连接、自上而下的具有金字塔形状的网络结构，它融合多层的特征图，用不同的特征尺度分别进行目标检测。胡杰等人[8]提出通道注意力机制，将其分别应用到ResNet 及ResNeXt 等网络上，使在ImageNet 2012 数据集[9]上分类实验的top-1 及top-5 的错误率降低了最多1.80%和1.11%，并在基于COCO 2014 数据集[10]的实验中获得 mAPIoU ＝ 0.5，比原来提升1.6%。Woo 等人[11]对卷积操作的通道关系和空间关系加权，更优地筛选出所需的关键特征。在YOLO v3 检测模型提取出卷积特征，但未对卷积核中不同的特征位置进行加权处理。……