前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
一、摘要
在建筑业、工地等场景下，由于受到天气、人数、光照强度、拍摄角度和距离等因素的影响，导致在安全帽智能检测时容易出现准确度低、漏检率大、错检率高的问题．为了解决该问题，提出了一种基于YOLO-ST的安全帽佩戴检测算法．该算法具有两个优势：首先，使用更容易捕获图像全局信息的Swin Transforner作为网络的特征提取器，增强网络对安全帽特征的提取能力；其次，设计密集的空间金字塔池化模块并引入到YOLO－ST中，以获取目标中更加丰富的细节信息．实验结果表明，在公开的SHWD数据集上，YOLO-ST的平均识别精度达到了91.3％．与其它方法相比，YOLO－ST取得了更精确的检测结果．
二、网络模型及核心创新点
个人解读：这篇文章最大的创新在于借鉴稠密连接的思想，对原YOLOv5中的SPP模块进行改进，提出新的DSPP模块，从而有效解决了SPP存在的信息丢失问题，进一步提高了安全帽检测的准确性。Swin Transformer模块之前也有过介绍。损失函数的话，采用的GIoU算是一般的点了。
1.特征提取网络Swin Transformer
2.密集的空间金字塔池化DSPP
3. 损失函数
三、应用数据集
本文选用的安全帽检测数据集SHWD包括7581个不同场景、天气、光照条件、人数、拍摄距离的样本图像．主要包含两类样本：佩戴安全帽safe类别和未佩戴安全帽person类别．
四、实验效果（消融实验）
为了研究算法中各个模块对实验结果的影响，本节共设计了四组对比方案．其中，“√”代表模型使用了此模块，“×”代表未使用此模块．实验通过AP30、AP50以及mAP三种评价指标来衡量模型能，消融实验结果如表２所示．
从表２可以看出，模型Ａ的AP30、AP50、ｍAP分别为88.7％、86.5％和87.6％．在模型Ａ的基础上，模型Ｂ采用DSPP模块替代SPP，保证模型获取多尺度信息的基础上，解决由于池化操作导致细节信息丢失的问题，从而提高安全帽检测的准确性．
五、实验结论
实验结果表明，模型Ｂ中的各项指标相比模型Ａ均提高了0.9％．模型Ｃ是在模型Ａ的基础上，保持原有池化方式不变，同时选择特征提取能力更强的Swin Transformer作为主干网，使得主干网可以提取更加高级的特征信息，进一步提高模型检测能力．相比于模型Ａ，模型Ｃ的ｍAP提高了3.2％．模型Ｄ是在模型Ｃ的基础上，采用DSPP模块进行池化操作，即本文提出的YO－LO－ST．与模型Ａ相比，AP30、AP50和ｍAP分别提高了4.5％、2.8％和3.7％，与模型Ｂ和模型Ｃ相比，ｍAP分别提高了2.8％和0.5％．综上所述，本文提出的YOLO－ST在安全帽检测任务中的具有更好的准确性．
六、投稿期刊介绍
注：论文原文出自 杜晓刚，王玉琪，晏润冰，古东鑫，张学军，雷 涛；YOLO-ST的安全帽佩戴精确检测算法;陕西科技大学学报.
解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
