新材料及其应用

本发明公开了基于特征增强与多层级融合的YOLOv3目标检测方法，属于计算机视觉技术领域，所述检测方法是分别在骨干结构和特征融合部分对原有YOLOv3网络结构进行优化，包括：S1，骨干结构部分引入残差网络形成双分支骨干网络结构；S2，双分支骨干网络分支结构引入空间可分离卷积形成特征增强的双分支骨干网络结构；S3，建立多层级特征融合结构；S4，特征融合部分特征金字塔结构引入多层级特征融合结构并加入空洞卷积模块形成基于多层级特征融合的特征金字塔结构；S5，进行训练测试，并进行可视化分析。本发明使YOLOv3网络在检测精度上有更进一步的提升，并增强了YOLOv3网络对图像位置的信息定位能力。

提高检测精度：通过特征增强与多层级融合，显著提升YOLOv3模型的目标检测精度，适用于复杂场景下的目标识别任务。

增强模型鲁棒性：该方法能够有效应对光照变化、遮挡等干扰，提高模型在复杂环境下的稳定性和可靠性。

推动智能监控发展：该技术为智能监控系统提供高效目标检测解决方案，提升安防、交通等领域的智能化水平。

拓展计算机视觉应用：该技术为自动驾驶、无人机导航等领域提供核心算法支持，推动计算机视觉技术的创新与应用。

本发明在YOLOv3算法的骨干网络引入残差结构构建双分支结构进行特征提取，在残差分支网络结构运用空间可分离卷积模块进行特征细化；在特征融合部分改进为多层级特征融合的特征金字塔网络结构，利用特征整合与特征叠加的方式增强浅层信息与深层信息之间的信息流动，引入空洞卷积模块进一步解决深层语义信息与浅层位置信息获取不平衡的问题，使网络在检测精度上有更进一步的提升，并增强网络对图像位置的信息定位能力。