一、前言

隨著自動駕駛汽車和自動駕駛賽車越來越受歡迎，對更快、更準確的檢測器的需求也在增加。

雖然我們的肉眼幾乎可以立即提取上下文信息，即使是在很遠的地方，但圖像分辨率和計算資源的限制使得檢測較小的對象（即在輸入圖像中占據小像素區(qū)域的對象）對機器來說是一項真正具有挑戰(zhàn)性的任務和廣闊的研究領域。

本研究探討了如何修改流行的YOLOv5目標檢測器以提高其在檢測較小對象方面的性能，特別是在自主賽車中的應用。為了實現這一點，研究者研究了替換模型的某些結構元素（以及它們的連接和其他參數）如何影響性能和推理時間。為此，研究者提出了一系列不同尺度的模型，將其命名為“YOLO-Z”，當以50%的IoU檢測較小的物體時，這些模型的mAP提升高達6.9%，而代價與原始YOLOv5相比，推理時間增加了 3ms。

研究者們的目標是為未來的研究提供有關調整流行檢測器（例如YOLOv5）以解決特定任務的潛力的信息，并提供有關特定更改如何影響小物體檢測的見解。這些發(fā)現應用于更廣泛的自動駕駛汽車環(huán)境，可以增加此類系統(tǒng)可用的環(huán)境信息量。

二、背景

檢測圖像中的小物體具有挑戰(zhàn)性，主要是由于模型可用的分辨率和上下文信息有限。許多實現目標檢測的系統(tǒng)都以實時速度執(zhí)行此操作，從而對計算資源提出了特定要求，尤其是在處理要在捕獲圖像的同一設備上進行時。許多自動駕駛車輛系統(tǒng)就是這種情況，其中車輛本身實時捕獲和處理圖像，通常是為了通知其下一步行動。在這種情況下，檢測較小的物體意味著檢測距離汽車較遠的物體，從而可以更早地檢測到這些物體，有效地擴大了車輛的檢測范圍。這一特定領域的改進將更好地為系統(tǒng)提供信息，使其能夠做出更穩(wěn)健和可行的決策。由于目標檢測器的性質，較小對象的細節(jié)在其卷積主干的每一層處理時失去了意義。在本研究中，“小物體”是指在輸入圖像中占據小像素區(qū)域的物體。

目前，已經有很多研究者努力改進對較小物體的檢測[如An Evaluation of Deep Learning Methods for Small Object Detection]，但許多都圍繞著圖像的特定區(qū)域進行處理或集中在two-stages檢測器周圍，這些檢測器以實現以推理時間為代價獲得更好的性能，使其不太適合實時應用程序。這也是為此類應用開發(fā)了如此多的單級檢測器的原因。增加輸入圖像分辨率是繞過此問題的另一種明顯方法，但會導致處理時間顯著增加。

三、新思路

已經投入了一些努力來開發(fā)將處理導向輸入圖像的某些區(qū)域的系統(tǒng)，這使我們能夠調整分辨率，從而繞過定義對象的像素較少的限制。然而，這種方法更適合對時間不敏感的系統(tǒng)，因為它們需要多次通過不同規(guī)模的網絡。這種更加關注特定尺度的想法仍然可以激發(fā)我們處理某些特征圖的方式。此外，通過查看如何處理特征圖而不是僅僅修改主干可以學到很多東西。不同類型的特征金字塔網絡（FPN）可以不同地聚合特征圖，以不同方式增強主干。這種技術被證明是相當有效的。

YOLOv5框架

YOLOv5為其模型提供了四種不同的尺度，S、M、L和X，分別代表Small、Medium、Large和Xlarge。這些比例中的每一個都將不同的乘數應用于模型的深度和寬度，這意味著模型的整體結構保持不變，但每個模型的大小和復雜性都會按比例縮放。

在實驗中，我們在所有尺度上分別對模型結構進行更改，并將每個模型視為不同的模型，以評估其效果。為了設置基線，我們訓練并測試了YOLOv5四個未修改版本。然后，分別測試了對這些網絡的更改，以便根據我們的基線結果分別觀察它們的影響。在進入下一階段時，那些似乎對提高準確性或推理時間沒有貢獻的技術和結構被過濾掉了。然后，嘗試了所選技術的組合。重復這個過程，觀察某些技術是相互補充還是相互削弱，并逐漸增加更復雜的組合。

Proposed architectural changes

YOLOv5使用yaml文件來指示解析器如何構建模型。我們使用此設置編寫自己的高級指令，說明如何構建模型的不同構建塊以及使用哪些參數，從而修改其結構。為了實現新結構，我們安排并為每個構建塊或層提供參數，并在必要時指示解析器如何構建它。用我們的話來說，我們利用了YOLOv5提供的基礎和實驗網絡塊，同時在需要的地方實現了額外的塊來模擬所需的結構。

其中，neck的修改：

在這項工作中，將當前的Pan-Net[Path aggregation network for instance segmentation]簡化為FPN，并將其替換為biFPN[EfficientDet: Scalable and Efficient Object Detection]。在這兩種情況下，neck都保留了類似的功能，但復雜性有所不同，因此實現它們所需的層數和連接數也有所不同。

其他修改可見論文。

可以在包含性和排他性的結構方面實現如何支持較小的特征圖的示例

四、實驗分析

Results of applying individual architectural changes to YOLOv5 at each scale

YOLOv5和YOLO-Z的比較