1. 创新点

  论文主要针对模型训练中出现的正负样本不均衡问题，根据困难样本挖掘原理，在原有的损失函数中引入调制因子，将背景部分视为简单样本，减小背景损失在置信损失中的占比，使得模型收敛更快速，模型训练更充分，从而提高了复杂背景下的目标检测精度。同时，通过构建特征金字塔和融合多层特征图的方式，实现对低层特征图的语义信息融合增强，以提高对小目标检测的精度，从而提高整体的检测精度。

2. 实现方法

  本文检测模型以传统的基础网络VGG16 为基础，并添加深层卷积网络而构成。前部分浅层网络采用卷积神经网络提取图像特征，包括输入层、卷积层和下采样层。后部分深层网络用卷积层代替原始的全连接层。卷积层尺寸逐层递减，分类和定位回归在多尺度特征图上完成。

2.1 引入调制因子的损失函数

  损失函数用来计算模型预测值与真实值的不一致程度。对样本集合（x,y），本文采用了多任务损失函数（Multi-Task Loss Function），可以在损失函数中完成置信度判别和位置回归，两者加权求和，得到最终的损失函数。

图1 损失函数表达式

  为解决正负样本不平衡问题，本文首先将所有的待训练先验框进行排序，按照置信度得分情况从大到小排列，取前四分之一为正样本，其余为负样本，以减少负样本比重。同时，在原损失函数中引入调制因子，增加困难样本对参数的贡献值。

2.2 多层特征融合结构

  SSD 网络分别在conv4_3 至conv11 的6 层特征图上进行分类回归，即使用conv4_3，conv7，conv8_2，conv9_2，conv10_2 和conv11_2 这6 层特征图进行检测，比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标。
  针对SSD 仅利用少量浅层特征图来检测目标，缺少足够的语义信息所导致的小目标检测精度低的问题，本文提取并融合浅层特征图，加强浅层特征图的语义信息，即选取conv4_3 到conv7 之间的特征图进行特征融合，多层特征融合结构图如图2 所示。

图2 多层特征融合结构

实验结果分析

  本文采用PASCAL VOC 数据集（VOC2007 和VOC2012） 进行训练和测试，该数据集组成为：目标真值区域，类别标签，包含目标的图像，标注像素类别和标注像素所属的物体。本文采用随机梯度下降法进行模型优化，输入图片大小为 300 × 300 300\times 300 300×300，设定初始学习速率为0.001，权值衰减为0.0005，动量为0.9; 卷积核大小为3×3，IOU 设置为0.5。表1 给出了Fast R-CNN、Faster R-CNN、YOLO、YOLO v3、SSD300、DSSD321 和本文算法的目标检测精度。

表1 不同检测算法结果对比

  其在检测精度方面较Fast R-CNN、Faster R-CNN、YOLO、YOLOv3 和SSD300 有优势，但是对比基础网络为ResNet-101 的DSSD 算法来说，精度稍有下降。主要原因是，VGGNet 网络较浅，而ResNet-101 是非常深的网络，网络越深，目标特征就能够更好的被提取出来，因此检测精度就越高。但是本文算法预测框数量更少，算法复杂度更低。

图3 各类别检测结果对比

  图3给出了不同算法在20 个种类的测试集上的目标检测结果。从实验结果可以看出，本文算法对于bicycle、bus、car、cat、dog、horse、motorbike、train这8 类目标检测效果较好，都已达到了85% 以上。
  综合上述表1 和图3 可以看出，本文算法在多数类别上的检测精度均能获得较好表现，尤其是对于bicycle、bus、car、person 等复杂背景下的目标，相比于SSD 网络提升较为明显，mAP 分别提高了5.4%、7.3%、3.5%、4%。但相比DSSD 网络在bird、bottle、cow、table、sofa、TV 这些类别，检测精度稍有下降，可能原因是基础网络的不同而导致的特征提取信息不足。
  为验证本文算法对不同大小目标的检测精度，实验中随机选取了100 张图片，其中包含198 个目标，将其分为大、中、小三类。由于该网络的输入图像尺寸为300×300，因此，将图像中的检测目标按照其面积占图像总面积的比例分为三类：目标面积占图像总面积5% 以下的认为是小目标，目标面积占图像面积5% 至25% 的是中等目标，目标面积占图像总面积20% 以上的是大目标。表2 给出了SSD 算法和本文算法的检测结果（其中，A 方法为SSD 算法，B 方法为本文算法。

表2 随机检测结果对比

  由上表可知，本文算法对不同尺寸的目标检测精度均有不同程度的提高，尤其是对于小目标的检测率由原来的47.1% 增加到58.3%。