一、摘要

 当前，目标检测技术趋于成熟，但小目标检测仍是研究的难点所在。针对目标检测过程中小目标像素少、覆盖面积小、信息少更容易出现漏检情况的问题，提出了一种改进的YOLOv7目标检测模型。首先，结合特征分立合并思想对YOLOv7网络模型中的MPConv模块进行改进，以减少网络特征处理过程造成的特征损失，并通过实验找到了网络放置改进MPConv模块的最佳位置；其次，由于小目标检测过程中容易出现漏检的现象，算法利用ACmix注意力模块在增加网络对小尺度目标敏感度的同时降低噪声所带来的影响；最后，算法使用SIoU替换原YOLOv7网络模型中的CIoU以此来优化损失函数，减少损失函数自由度，提高网络鲁棒性。在欧卡智舶公开的FloW-Img子数据集上进行实验对比，对于数据集中密集、小目标和超小目标三种情况的图片，改进后的YOLOv7网络模型相比于原网络，漏检情况得到很好的改善。同时结果表明，改进后的YOLOv7网络模型m AP可达到71.1%，相比于基线YOLOv7网络模型提升了4个百分点，检测效果优于原网络与其他经典目标检测网络。

二、网络模型及核心创新点

1改进的MPConv模块

2. ACmix注意力模块

3. 损失函数

三、应用数据集

本文实验数据集采用欧卡智舶发布(http://www.orca-tech.cn/datasets)的无人船视角下内河漂浮垃圾数据集，该数据集是全球第一个真实内河场景下、无人船视角的漂浮垃圾检测数据集。

四、实验效果（部分展示）

1.下图针对小目标图片，改进前后网络均检测出2个目标，但改进后网络的预测框置信度明显大于原网络。

2.对于下图超小目标(目标框大小为0.05×0.04)的图片，原网络漏检，而改进后的网络仍能检测出目标。

3.其结果如下表所示。改进后的YOLOv7算法在输入相同尺寸图片的情况下，mAP值超过了其它经典网络，更适合小目标检测场景。

五、实验结论

实验结果表明，改进后的YOLOv7网络检测效果优于原网络和其它经典目标检测网络。下一步研究计划，通过对数据集的扩增，增加数据集中的检测类别以扩大模型的检测范围，提高在实际应用中的检测性能。

六、投稿期刊介绍