融合GIoU和Focal loss的YOLOv3目标检测算法

YOLOv3目标检测算法检测速度快且精度较高，但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法，该算法在YOLOv3的基础上，对网络中的残差块增加旁路连接，进一步进行特征重用，以提取更多的特征信息。同时，采用GIoUloss作为边界框的损失，使网络朝着预测框与真实框重叠度较高的方向去优化。在损失函数中加入Focal loss，减小正负样本不平衡带来的误差。在PASCAL VOC和COCO数据集上的实验结果表明，该算法能够在不影响YOLOv3算法实时性的前提下，提高目标检测的mAP。该算法在PASCAL VOC 2007测试集上达到83.7mAP（IoU=0.5），在COCO测试集上比YOLOv3算法提升2.27mAP（IoU[0.5，0.95]）。