關(guān)玉明，王肖霞，楊風(fēng)暴，吉琳娜，丁春山

（1.中北大學(xué)信息與通信工程學(xué)院，山西 太原 030051；2.江蘇自動(dòng)化研究所，江蘇 連云港 222006）

0 引 言

隨著人工智能和深度學(xué)習(xí)的迅速進(jìn)步，目標(biāo)檢測在準(zhǔn)確率和速度方面取得了巨大的突破。無人機(jī)平臺高空作業(yè)在小目標(biāo)檢測與小目標(biāo)實(shí)例分割等方向有較多實(shí)際應(yīng)用。但在檢測過程中仍存在一些挑戰(zhàn)，比如小目標(biāo)分辨率較低、細(xì)節(jié)難以察覺，導(dǎo)致測量精度較低和漏檢率較高。此外，由于目標(biāo)的特征信息較少、背景環(huán)境復(fù)雜，對目標(biāo)定位的精度要求較高，目標(biāo)檢測任務(wù)面臨著許多困難。因此，小目標(biāo)檢測[1]的研究成為當(dāng)今目標(biāo)檢測任務(wù)中最關(guān)鍵的問題之一。

目前，深度學(xué)習(xí)應(yīng)用廣泛，并且在小目標(biāo)檢測中是一種行之有效的方法，主要包括兩類且檢測算法各具特點(diǎn)。一類是以YOLO（You Only Look Once）系列為代表的一階段目標(biāo)識別方法，是一種端到端為例的目標(biāo)檢測算法，它根據(jù)卷積神經(jīng)網(wǎng)絡(luò)從圖像中提取特征，并生成已知圖像中目標(biāo)的位置和類別信息，對目標(biāo)檢測速度快，但對小目標(biāo)的檢測精度不高。文獻(xiàn)[2]中方法檢測速度表現(xiàn)較好，但模型較復(fù)雜且訓(xùn)練元素繁多；文獻(xiàn)[3]在不同的尺度上運(yùn)行，提出了一種新穎的目標(biāo)檢測與分類聯(lián)合訓(xùn)練的方法，大大提高了算法的檢測精度和速度。另一類是以RCNN（Region-based Convolutional Neural Network）系列為代表的兩階段目標(biāo)檢測策略。文獻(xiàn)[4]算法在檢測精度方面比第一種目標(biāo)檢測算法要好得多，但代價(jià)是它的檢測速度有所降低，增加了網(wǎng)絡(luò)檢測的運(yùn)行時(shí)間；文獻(xiàn)[5]引入了一個(gè)區(qū)域建議網(wǎng)絡(luò)（RPN），它與檢測網(wǎng)絡(luò)共享全圖像卷積特征，從而實(shí)現(xiàn)幾乎無成本的區(qū)域。相比第二類，第一類算法更適合實(shí)時(shí)性的小目標(biāo)檢測[6]。YOLOv5 算法在YOLOv4 算法的基礎(chǔ)上加以改進(jìn)，根據(jù)不同通道的尺度進(jìn)行縮放，改變主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)結(jié)構(gòu)用以加快算法的訓(xùn)練速度。YOLOv5 的骨干網(wǎng)絡(luò)由卷積堆疊而成，處于網(wǎng)絡(luò)淺層的特征圖感受較小，只能觀測到原始圖像的局部特征，而處于深層網(wǎng)絡(luò)的卷積層感受較大，但計(jì)算復(fù)雜。在實(shí)際的小目標(biāo)檢測應(yīng)用中，由于下采樣、卷積等操作的存在，深度神經(jīng)網(wǎng)絡(luò)架構(gòu)中的特征大小隨著層數(shù)的增加而逐漸減小，這導(dǎo)致了網(wǎng)絡(luò)傳播過程中目標(biāo)特征可能會(huì)丟失，大大降低了目標(biāo)特征的利用率。與使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的算法類似，YOLOv5 算法中也存在對于遠(yuǎn)距離小目標(biāo)檢測能力不足、小目標(biāo)漏檢率高[7]、檢測效率低等問題。

基于以上研究現(xiàn)狀，考慮到目標(biāo)檢測在一些特定場景需要具備一定的檢測精度，因此本文結(jié)合YOLOv5 網(wǎng)絡(luò)模型，重置錨框，優(yōu)化損失以及增強(qiáng)特征提取來改進(jìn)、優(yōu)化和重置模塊，提出了一種基于KOS-YOLOv5 的多尺度小目標(biāo)檢測方法，以提升小目標(biāo)檢測的準(zhǔn)確率。

1 基于YOLOv5 改進(jìn)目標(biāo)檢測的方法

1.1 KOS-YOLOv5 算法總體框架

本文以目標(biāo)檢測中廣為人知的高檢測率算法YOLOv5[8]為基礎(chǔ)，在VisDrone-2019 數(shù)據(jù)集中選擇小尺寸目標(biāo)進(jìn)行目標(biāo)檢測。在YOLOV5 的基礎(chǔ)上，本文提出了一種新型的小目標(biāo)檢測算法，采用改進(jìn)的Kmeans++[9]聚類技術(shù)，精準(zhǔn)地調(diào)整了其參數(shù)，從而找到了一種更加有效的錨框，并利用SimOTA（Simplify Optimal Transport Assignment）優(yōu)化了損失函數(shù)[10]，最后在網(wǎng)絡(luò)中添加SCP（Spatial Context Pyramid）[11]模塊，設(shè)計(jì)了一種全新的特征重用金字塔結(jié)構(gòu)，將不同層次的特征融合在一起，增強(qiáng)特征提取，從而大大提高了目標(biāo)檢測的準(zhǔn)確率。

通過在VisDrone-2019 數(shù)據(jù)集上進(jìn)行各種場景和尺度的檢測[12]發(fā)現(xiàn)，經(jīng)過優(yōu)化的網(wǎng)絡(luò)模型可以更好地識別出微小的目標(biāo)，而且它們的內(nèi)存消耗也更少，同時(shí)還可以在復(fù)雜的環(huán)境中準(zhǔn)確地識別出多尺度的車輛目標(biāo)，從而提升了系統(tǒng)的性能。由于圖像背景占了圖像大多區(qū)域[13]，待檢測目標(biāo)一般較小，因此需要利用具有建模能力的網(wǎng)絡(luò)結(jié)構(gòu)作為骨干網(wǎng)絡(luò)。KOS-YOLOv5 算法為小目標(biāo)檢測提供了一定的研究基礎(chǔ)，其總體網(wǎng)絡(luò)框架如圖1所示。

1.2 基于K-means++的錨框聚類分析

針對YOLOv5 網(wǎng)絡(luò)模型中錨框參數(shù)的問題，注意到原始錨框參數(shù)是通過在官方數(shù)據(jù)集上通過聚類得到的。然而，官方數(shù)據(jù)集包含多個(gè)不同類別的信息，因此如果直接使用這些原始錨框參數(shù)進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練，很有可能會(huì)對小目標(biāo)的檢測精度造成一定的影響。為了解決這個(gè)問題，本文采取一種新的方法來優(yōu)化錨框參數(shù)，尤其是在車輛小目標(biāo)檢測中。對車輛小目標(biāo)數(shù)據(jù)集進(jìn)行聚類分析，并重新計(jì)算出適合于小目標(biāo)檢測的錨框參數(shù)。通過這一過程，能夠更準(zhǔn)確地匹配錨框和小目標(biāo)之間的關(guān)系，從而提高小目標(biāo)的檢測精度。這樣可以更好地適應(yīng)具體任務(wù)中小目標(biāo)的特點(diǎn)，通過針對小目標(biāo)的聚類，可以更準(zhǔn)確地捕捉到小目標(biāo)的特征和尺寸分布，這種調(diào)整錨框參數(shù)的策略有助于優(yōu)化網(wǎng)絡(luò)模型的訓(xùn)練過程，進(jìn)而提高模型在車輛小目標(biāo)檢測方面的性能，提高小目標(biāo)檢測的準(zhǔn)確度和效果。傳統(tǒng)YOLOv5 算法中使用了已知的K-means 聚類分析算法，在最初階段從官方數(shù)據(jù)集中隨機(jī)選取K個(gè)樣本作為初始聚類中心C={C1,C2,…,CK}，然而，這種初始聚類中心的選取方式常常會(huì)導(dǎo)致聚類結(jié)果不太理想，進(jìn)而最后影響了目標(biāo)檢測的準(zhǔn)確度。為了解決這個(gè)問題，K-means++算法對以往傳統(tǒng)的K-means 隨機(jī)初始化聚類中心的方法進(jìn)行了優(yōu)化，它首先從數(shù)據(jù)集中隨機(jī)選擇一個(gè)樣本點(diǎn)作為第一個(gè)聚類中心，然后根據(jù)計(jì)算每個(gè)樣本與已經(jīng)選取的聚類中心之間的最短距離D(x)來確定下一個(gè)聚類中心的選擇。這種方法能更好地從初始化聚類中心提高目標(biāo)檢測的精確度。該關(guān)系可以表述為：

選擇概率值最高的點(diǎn)作為下一個(gè)聚類中心。重復(fù)上述計(jì)算步驟，直到選出k個(gè)聚類中心。針對數(shù)據(jù)集中的每個(gè)樣本xi，計(jì)算其與k個(gè)聚類中心間的距離，并將其分配到距離最小的簇中心對應(yīng)的類別里面。通過不斷更新聚類中心的位置，直到聚類中心不再變化為止。

在本研究中，采用K-means++聚類算法對VisDrone-2019 數(shù)據(jù)集進(jìn)行重新聚類，以獲得適用于目標(biāo)檢測的錨框參數(shù)。接著，使用這些重新計(jì)算的參數(shù)訓(xùn)練網(wǎng)絡(luò)模型，并將其與直接使用原始錨框參數(shù)訓(xùn)練的模型進(jìn)行比較。實(shí)驗(yàn)結(jié)果顯示，相較于直接使用原始錨框，使用Kmeans 聚類方法訓(xùn)練的模型，其平均檢測精度從92.10%提高到92.36%。進(jìn)一步地，當(dāng)使用K-means++算法重新聚類時(shí)，改進(jìn)后的網(wǎng)絡(luò)模型平均檢測精度進(jìn)一步提升至93.89%。通過觀察表1 中的數(shù)據(jù)，可以很明顯地看出，對本文數(shù)據(jù)集進(jìn)行重新聚類可以顯著提高網(wǎng)絡(luò)模型的檢測精度，而K-means++算法進(jìn)行聚類更符合小目標(biāo)的檢測。因此，本文選擇使用K-means++算法作為網(wǎng)絡(luò)模型的聚類分析方法，以更好地優(yōu)化錨框參數(shù)，提高目標(biāo)檢測性能。對于VisDrone-2019 數(shù)據(jù)集，經(jīng)過K-means++聚類分析得到的錨框參數(shù)對網(wǎng)絡(luò)模型的訓(xùn)練和測試都有著顯著的正面影響。

表1 基于不同錨框的檢測結(jié)果

1.3 基于SimOTA 的損失函數(shù)優(yōu)化方法

目前常見的目標(biāo)檢測模型通常會(huì)利用預(yù)先定義的交并比（IoU）閾值對算法錨框進(jìn)行正負(fù)樣本的分配。然而，在某些情況下，圖中的目標(biāo)物體可能較小且分布較密集，這種情況下使用固定的閾值可能不太能適應(yīng)不同的檢測場景。因此，本文需要重新設(shè)計(jì)樣本匹配策略，以更好地適應(yīng)目標(biāo)檢測任務(wù)的需求。在這種情況下，通過重新評估錨框與真實(shí)目標(biāo)的匹配方式，可以更準(zhǔn)確地劃分正負(fù)樣本，進(jìn)而提高模型的性能和魯棒性。

對于具體的檢測場景，重新設(shè)計(jì)樣本匹配策略或?qū)嵤﹨?shù)的調(diào)整是必要的步驟，以便更好地適應(yīng)小目標(biāo)檢測的需求。目標(biāo)檢測的過程是：模型訓(xùn)練時(shí)先在圖像的各個(gè)位置生成一系列錨框，網(wǎng)絡(luò)結(jié)構(gòu)會(huì)按照一定的規(guī)則將錨框分成正負(fù)樣本。由于圖像中目標(biāo)的數(shù)量有限，這樣生成的錨框中背景占比較多，導(dǎo)致模型的訓(xùn)練樣本不均衡，周圍的重要樣本可能會(huì)被忽略。正負(fù)樣本分配（OTA）策略考慮了全局最優(yōu)，具有更強(qiáng)的高質(zhì)量樣本搜索能力。為兼顧算法性能和訓(xùn)練時(shí)長，本文采用簡化的正負(fù)樣本分配策略，因此，在正負(fù)樣本標(biāo)簽分配策略中，本文采用SimOTA 采樣策略進(jìn)行動(dòng)態(tài)標(biāo)簽匹配，以提供更精準(zhǔn)的匹配結(jié)果。與傳統(tǒng)方法只依賴于靜態(tài)先驗(yàn)信息不同的是，SimOTA 利用當(dāng)前神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測信息對目標(biāo)進(jìn)行動(dòng)態(tài)最優(yōu)匹配。

SimOTA 標(biāo)簽匹配實(shí)施流程為：

為增加匹配效率，首先，使用中心先驗(yàn)來確定候選的區(qū)域，通過初步篩選，選取一組定量的預(yù)測框作為候選框；然后，計(jì)算這些候選框與真實(shí)框之間的損失值和交并比（IoU），進(jìn)而生成一個(gè)代價(jià)矩陣。對于每個(gè)真實(shí)框，從代價(jià)矩陣中選擇具有最小成本的一部分候選框作為正樣本。通過SimOTA 算法的動(dòng)態(tài)標(biāo)簽匹配策略，本文能夠更準(zhǔn)確地將預(yù)測框與真實(shí)框進(jìn)行匹配，該策略利用了當(dāng)前網(wǎng)絡(luò)輸出的預(yù)測信息，使得匹配過程更加靈活和適應(yīng)性強(qiáng)。相比傳統(tǒng)方法，SimOTA 能夠提供更高質(zhì)量的匹配結(jié)果，從而提升目標(biāo)檢測的準(zhǔn)確性和性能。SimOTA 更靠近全局最優(yōu)，跟OTA 比較，訓(xùn)練耗時(shí)減少了25%。SimOTA 中g(shù)t、gi和pj之間的成本計(jì)算公式如下：

式中：λ是平衡系數(shù)；和分別是gt、gi和預(yù)測pj之間的分類損失和回歸損失。

在經(jīng)過標(biāo)簽匹配后，所提模型使用廣義交并比（GIoU）[14]損失函數(shù)計(jì)算真實(shí)框和對應(yīng)的正樣本預(yù)測框之間的位置損失。GIoU 損失的計(jì)算公式為：

式中：A代表目標(biāo)的真實(shí)框；B代表目標(biāo)的預(yù)測框；E代表包含A和B的最小矩形框。

1.4 基于上下文金字塔模塊的特征提取

在空間域中，圖像中的遠(yuǎn)程空間依賴性為模糊物體帶來了比自然場景更多的補(bǔ)充信息。采用空間上下文金字塔（SCP）來捕獲每個(gè)特征金字塔級別的全局空間上下文。該模塊研究從整個(gè)特征圖中聚合特征，并使用自適應(yīng)權(quán)重將它們組合到每個(gè)像素中。這種策略保證只有有用的全局信息被融合到局部區(qū)域，而不會(huì)減少對象之間的差異。至于實(shí)例域，認(rèn)為應(yīng)該針對每個(gè)實(shí)例和任務(wù)自適應(yīng)地改進(jìn)對象表示。

對目標(biāo)類別進(jìn)行分類需要一個(gè)整體視圖，而分割需要更多縮放的細(xì)節(jié)。對不同大小接受范圍的需求也因?qū)嵗悺Ｒ虼?，引入了分層提取器（HRoIE）為每個(gè)實(shí)例生成RoI 特征。從每一層裁剪實(shí)例特征圖后，該模塊從最高或最低尺度開始，以分層方式逐級融合特征。利用像素注意機(jī)制[15]來組合相鄰特征圖。這個(gè)模塊重量輕，同時(shí)具有靈活的可擴(kuò)展模型設(shè)計(jì)。

對不同級別的特征映射進(jìn)行聚合后，特征金字塔仍然包含空間局部信息，空間上下文金字塔（SCP）模塊通過研究每個(gè)級別內(nèi)的全局空間上下文來進(jìn)一步增強(qiáng)特征。

SCP 的結(jié)構(gòu)如圖2 所示，該模塊也是金字塔結(jié)構(gòu)[16]，將它插入YOLOv5 金字塔結(jié)構(gòu)中，每層都包含一個(gè)上下文聚合塊（CABlock），該模塊的詳細(xì)設(shè)計(jì)如圖3 所示。

圖2 空間上下文金字塔模塊

圖3 上下文聚合塊

在每個(gè)塊中，每個(gè)像素的空間上下文通過以下方式聚合：

式中：Pi和Qi表示特征金字塔中第i層的輸入和輸出特征圖，每個(gè)特征圖包含Ni個(gè)像素；j、m∈{1,Ni}，表示每個(gè)像素的指數(shù)；wk和wv是用于投影特征圖的線性變換矩陣，使用1×1 卷積來完成特征圖。公式（5）通過用線性變換代替矩陣的乘法，簡化了廣泛使用的自注意力機(jī)制[17]，很大程度上減少了參數(shù)和計(jì)算成本，并應(yīng)用ai來平衡每個(gè)像素聚合全局空間上下文的程度。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)用于模型訓(xùn)練的軟件平臺為AMD Ryzen 7 5800H with Radeon Graphics 和NVIDIA GeForce RTX 3050Ti Laptop GPU；模型測試推理平臺同上，軟件使用Windows 11 系統(tǒng)，Python 3.8.16，PyTorch 2.0.0，Cuda 118深度學(xué)習(xí)框架。

2.2 數(shù)據(jù)集

小目標(biāo)的百分比相對較小，并且在傳統(tǒng)數(shù)據(jù)集上分布不均勻，分布不均衡會(huì)導(dǎo)致模型在訓(xùn)練過程中更偏向于研究大中型目標(biāo)。為了解決這個(gè)問題，使用VisDrone-2019 數(shù)據(jù)集，這是一個(gè)主要包含小物體的專業(yè)數(shù)據(jù)集。由圖4 可看出，該數(shù)據(jù)集中只有一類目標(biāo)car，但目標(biāo)在整幅圖中尺寸較小，寬高相較于整幅圖在（0.1,0.1）之間，且大多分布在圖中間。

圖4 數(shù)據(jù)集分布情況

2.3 評價(jià)指標(biāo)

網(wǎng)絡(luò)性能由三個(gè)性能指標(biāo)評估：P（精度）、R（召回率）[18]和mAP（平均精度），表達(dá)式分別如下：

式中：XTP是網(wǎng)絡(luò)模型正確檢測到的目標(biāo)數(shù)量；XFP是網(wǎng)絡(luò)模型錯(cuò)誤檢測到的目標(biāo)數(shù)量；XFN是網(wǎng)絡(luò)模型未檢測到的目標(biāo)數(shù)量；c是類別數(shù)；mAP 為單個(gè)目標(biāo)類別的平均精度。AP 的表達(dá)式為：

2.4 實(shí)驗(yàn)結(jié)果

為了進(jìn)一步評估模型的性能，進(jìn)行了消融實(shí)驗(yàn)，將K-means++、SimOTA 和SCP 這三種改進(jìn)方法同時(shí)添加到網(wǎng)絡(luò)中，并與原始的YOLOv5 模型進(jìn)行比較。從表2 中可以看出，這三種改進(jìn)方法都在不同程度上提升了模型的性能。相對于YOLOv4 模型，YOLOv5 有略微的改進(jìn)，P值提高了0.15%，R值提高了0.14%。添加SCP 和SimOTA 模塊相比YOLOv5 模型P提升了1.84%，R提高了2.21%。對YOLOv5 同時(shí)進(jìn)行三類方法的改進(jìn)時(shí)，相比YOLOv5 模型，P提升了5.05%，R提升了2.37%，且運(yùn)算量降低了11.8 GFLOPs，如表3 所示。引入OTA 模塊后，模型損失函數(shù)值明顯降低，隨著網(wǎng)絡(luò)優(yōu)化的進(jìn)行，損失函數(shù)的降低表明模型在訓(xùn)練過程中逐漸提高了對目標(biāo)的檢測準(zhǔn)確性，這進(jìn)一步證明了這三種方法的有效性，并且強(qiáng)調(diào)了它們在改進(jìn)網(wǎng)絡(luò)性能方面的作用，同時(shí)驗(yàn)證了網(wǎng)絡(luò)檢測小目標(biāo)的魯棒性。

表2 消融實(shí)驗(yàn)結(jié)果

表3 本文方法與YOLOv5 模型的GFLOPs 對比情況

通過對比實(shí)驗(yàn)結(jié)果表可以得出結(jié)論：本文方法在精度（P）和損失函數(shù)（Loss）方面相較于原始的YOLOv5 模型和改進(jìn)的檢測算法都取得了顯著的提升。這些實(shí)驗(yàn)結(jié)果進(jìn)一步證明了本文所提方法的有效性。根據(jù)圖5顯示網(wǎng)絡(luò)的訓(xùn)練過程中的Loss 值隨著epoch 的變化情況，可以觀察到本文改進(jìn)的網(wǎng)絡(luò)相比其他網(wǎng)絡(luò)的Loss 值有更快的下降趨勢和更小的損失函數(shù)值，從而實(shí)現(xiàn)更有效的收斂。另外，在圖6 顯示的網(wǎng)絡(luò)訓(xùn)練過程中，可以看出本文改進(jìn)網(wǎng)絡(luò)相比其他網(wǎng)絡(luò)的mAP 上升趨勢更快一些且值更大，在后期的訓(xùn)練中，曲線也非常穩(wěn)定。圖7 為本文方法對VisDrone-2019 數(shù)據(jù)集的訓(xùn)練結(jié)果，可以看出本文設(shè)計(jì)的錨框比較貼近目標(biāo)且本文方法幾乎可以檢測到全部目標(biāo)，準(zhǔn)確率都在0.6 以上。

圖5 本文方法與其他方法的損失值對比

圖6 本文方法與其他方法的平均檢測精度對比

圖7 本文方法訓(xùn)練結(jié)果示意圖

為了進(jìn)一步提高實(shí)驗(yàn)的可信度，本文對小目標(biāo)和復(fù)雜場景進(jìn)行了對比檢測，并使用YOLOv5 網(wǎng)絡(luò)和改進(jìn)后的算法進(jìn)行了比較，如圖8~圖11 所示。

圖8 YOLOv5 在簡單場景的檢測結(jié)果

圖9 本文方法在簡單場景的檢測結(jié)果

圖10 YOLOv5 在復(fù)雜場景的檢測結(jié)果

圖11 本文方法在復(fù)雜場景的檢測結(jié)果

從圖中可以看出，在小目標(biāo)場景中，本文算法的目標(biāo)檢測準(zhǔn)確度更高；同時(shí)，在復(fù)雜場景中，YOLOv5 存在目標(biāo)漏檢的情況，而本文改進(jìn)的算法在目標(biāo)檢測率方面有了顯著提升，并幾乎能夠檢測到所有目標(biāo)。本文改進(jìn)的算法在多種場景下對小目標(biāo)的檢測更加準(zhǔn)確，這驗(yàn)證了改進(jìn)后的網(wǎng)絡(luò)模型在提取小目標(biāo)深層特征方面的能力，對于特征不清晰和復(fù)雜場景下的小尺度車輛目標(biāo)檢測具有良好的效果。

3 結(jié) 論

本文在YOLOv5 的基礎(chǔ)上提出了KOS-YOLOv5 算法，解決了由于分辨率低、特征不顯眼導(dǎo)致的小目標(biāo)檢測準(zhǔn)確度低的問題。首先通過K-means++聚類算法重新設(shè)計(jì)了錨框的大小，得到更適用于本文數(shù)據(jù)集的錨框尺寸；其次引入SimOTA 模塊優(yōu)化其算法損失函數(shù)；最后加入SCP 模塊提高了目標(biāo)特征提取能力。改進(jìn)后的網(wǎng)絡(luò)在VisDrone-2019 數(shù)據(jù)集上進(jìn)行了測試，實(shí)驗(yàn)結(jié)果表明，KOS-YOLOv5 模型在P、R、mAP 方面較YOLOv5 模型有明顯提升，證明KOS-YOLOv5 算法在一定程度上提高了對小目標(biāo)的檢測效果。未來可驗(yàn)證本文算法的泛化能力。