[发明专利]一种改进YOLOv4网络模型及小目标检测方法

权利要求书

1.一种改进YOLOv4网络模型，其特征在于，包括骨干结构网络模块、特征融合模块和多分类器模块，所述骨干结构网络模块用于对目标图像进行特征提取后输出由浅至深多层不同尺度的特征图至所述特征融合模块，所述特征融合模块包括特征增强模块和高效双重注意力模块，所述特征融合模块用于由深至浅逐层对特征图进行特征增强，并分别与由浅至深下采样后同一尺度的特征图对应拼接进行特征融合，将获得的融合特征图输出至所述多分类器模块，其中，进行特征融合的特征图包括四倍下采样后含有底层特征的浅层特征图，所述多分类器模块用于对融合特征图进行分类检测后输出目标图像的检测结果；

所述特征增强模块用于采用亚像素卷积对本层特征图上采样后进行空洞卷积，将卷积后的该层特征图与同一尺度的较浅层特征图拼接获得拼接特征图；

所述高效双重注意力模块用于基于注意力机制对拼接特征图中的二维空间特征和一维通道特征进行特征增强后获得增强特征图，所述高效双重注意力模块包括并行的空间注意力模块和通道注意力模块；

其中，所述空间注意力模块采用1×1卷积降低拼接特征图的通道数，所述空间注意力模块采用两个3×3卷积对拼接特征图的二维空间特征进行特征增强；

所述通道注意力模块对拼接特征图进行批归一化操作；

所述通道注意力模块求取拼接特征图中每个通道的比例因子；

所述通道注意力模块计算每个比例因子占所有比例因子总和的比例，获得每个通道的通道权值；

所述通道注意力模块将每个通道的通道权值与批归一化后的拼接特征图相乘后通过Sigmoid操作进行特征映射，实现拼接特征图中的一维通道特征的特征增强。

2.根据权利要求1所述的一种改进YOLOv4网络模型，其特征在于，所述特征增强模块采用并联的空洞率为1、3、5的空洞卷积和1×1卷积对上采样后的特征图进行卷积。

3.根据权利要求1所述的一种改进YOLOv4网络模型，其特征在于，所述空间注意力模块采用RELU函数进行特征激活。

4.根据权利要求1所述的一种改进YOLOv4网络模型，其特征在于，所述通道注意力模块采用批归一化对拼接特征图的一维通道特征进行特征增强。

5.根据权利要求1所述的一种改进YOLOv4网络模型，其特征在于，所述骨干结构网络模块采用CSPDarknet53网络结构。

6.一种基于改进YOLOv4网络模型的小目标检测方法，其特征在于，基于权利要求1-5任一项所述的改进YOLOv4网络模型，包括如下步骤：

将目标图像送入改进YOLOv4网络模型，经所述骨干结构网络模块进行特征提取后输出由浅至深多层不同尺度的特征图；

所述特征增强模块由深至浅对每一层特征图上采样和卷积后与同一尺度的较浅层特征图拼接；

拼接后的拼接特征图送入所述高效双重注意力模块对拼接特征图中的二维空间特征和一维通道特征进行特征增强获得增强特征图；

将获得的增强特征图与由浅至深下采样后同一尺度的特征图进行拼接获得融合特征图；

对融合特征图进行分类检测后，输出小目标检测结果，检测完成。

7.根据权利要求6所述的一种基于改进YOLOv4模型的小目标检测方法，其特征在于，所述高效双重注意力模块对拼接特征图中的二维空间特征进行特征增强包括如下步骤：

所述空间注意力模块采用1×1卷积降低拼接特征图的通道数；

所述空间注意力模块采用两个3×3卷积提取拼接特征图的空间信息；

卷积完成后所述空间注意力模块采用RELU函数对拼接特征图的空间信息进行激活；

激活后所述空间注意力模块通过Sigmoid操作进行特征映射，实现拼接特征图中的二维空间特征的特征增强。