基于YOLOX-s的改进研究

随着深度学习的飞速发展，行为识别在计算机视觉中的应用也越来越多。作为行为识别的重要部分，目标检测算法的研究愈显突出。本文针对单阶段检测算法中效果较好的YOLOX-s模型，提出了基于YOLOX-s的注意力改进，在网络结构中，增加了SE模块和CBAM模块，将注意力集中在图片检测的目标区域中，使得更多的细节信息获取出来；同时选用DIoU损失函数，让聚集的目标框和检测框之间重叠部分更快地重合，提高了模型的精度。实验结果表明，所提的模型相比于YOLOX-s模型，在准确率、召回率以及mAP上有所提升，对满足实际需求更近一步。

1.1 目标检测概况 近些年来，随着深度学习的快速发展，目标检测在计算机视觉中的应用越来越广，尤其是行为识别中，目标检测将是里面很重要的一步。同时，目标检测一直处在热门研究领域中。

传统的目标检测首先对目标位置进行定位，其次根据特征提取算子提取特征，常用有HOG、SIFT等特征提取算子，最后使用SVM、RF 等分类器对提取的特征进行分类。文献[1]采用方向梯度直方图(Histogram of Oriented Gradient, HOG)提取特征向量，将提取的特征向量输入支持向量机(Suport Vector Machine, SVM)进行图像分类，最后实现东巴文的自动识别。文献[2]在SIFT 基础上提出FG-SIFT 算法， 减少了特征点提取的计算时长，提高了算法的实时性。文献[3]采用HOG-SVM 通过机器学习进行研究， 对电子元件进行了不同角度的特征提取，最后使分类精度得到了提高。文献[4]提出一种基于多分类器协同的半监督样本选择方法，利用SVM 和RF 两个分类器协同训练，最后达到很好的效果。传统的目标检测算法传统的目标检测虽然取得了一些成就，但目标检测的过程中存在时间复杂度高，同时提取的特征往往是人工手动设计的，使得模型的鲁棒性差和泛化性不好。从2014 年开始，深度学习开始用于目标检测、行为识别等领域，通过卷积神经网络将深层的特征提取出来，解决了传统目标检测的不足。其中最具有代表性的就是CNN、RNN 以及YOLO 等一系列基于深度学习的目标检测算法，相对于传统的手工设计特征的方法， 能够自动学习视频的深层特征， 同时在精度和效率方面大大地提高。

Girshick 等[5] 2014年利用Region CNN(R-CNN)通过选择性搜索算法从一组对象候选框中选择可能出现的对象框，然后将这些选择出来的对象框中的图像输入到CNN 模型提取出特征， 最后将特征送入分类器经行检测和分类。

最终使mAP 值在PASCAL VOC2007 上最好结果的30%提升到66.0%，但是精度脱离实际应用，检测速度更是达不到实际的要求。

Girshick 等[6] 2016 年的Faster R-CNN 将原始图片输入卷积中得到特征图， 使用建议框提取特征框，使得计算量大大减少，同时，分类和预测框的位置大小都是通过CNN 输出的，最后的检测精度和速度明显得到提升， 在PASCAL VOC2007 数据集上mAP 达到73.2%。

R-CNN 系列等[7] [8] [9] [10]两阶段目标检测算法，在精度检测效果上很好，但检测的速度仍然是个很突出的问题。Redmon等2016 年的YOLO (You Only Look Once)单阶段检测算法，将图片给卷积神经网络输入，最后得到边界框的信息以及置信度，在mAP 为63.4%的同时FPS 达到45，检测速度得到了极大提升，但是检测精度却比不上Faster R-CNN 检测算法。YOLO 单阶段检测算法检测速度快是一个优势，但是发展到现在存在