[发明专利]一种改进YOLOv4网络模型及小目标检测方法

说明书

本发明一种改进YOLOv4网络模型及小目标检测方法，在保证检测速度的前提下，能够有效提高小目标的检测精度。骨干结构网络模块用于对目标图像进行特征提取输出由浅至深多层不同尺度的特征图，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获得融合特征图，特征融合模块包含特征增强模块和高效双重注意力模块，特征增强模块用于扩大特征图的感受野，增强自底向上路径中上采样特征图的语义信息，高效双重注意力模块用于增强目标响应，抑制背景干扰。参与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，多分类器模块用于对融合特征图进行分类检测后输出检测结果。

技术领域

本发明涉及目标检测技术领域，具体为一种改进YOLOv4网络模型及小目标检测方法。

背景技术

目前，基于深度学习的目标检测算法总体可分为两阶段检测算法与一阶段检测算法两类。两阶段检测算法如Faster R-CNN，首先使用区域提议网络生成候选区域，然后通过对候选区域进行分类和回归，得到最终检测结果。一阶段检测算法如YOLO，将输入图像划分为S*S个网格，每个网格负责中心在该网格的目标的检测，预测所有网格包含的边框、定位置信度及目标属于每个类别的概率，最后通过非极大值抑制得到最终检测结果。两类目标检测算法对大中目标的检测都取得了较好的效果。

然而，因小目标存在像素少、边缘信息不显著等特点难以提取到有效特征，并且经过卷积神经网络多次下采样、池化操作后，目标的特征信息与位置信息逐渐丢失，难以被网络检测，造成现有模型对小目标的检测效果不佳。YOLOv4通过引入PAFPN进行特征融合在一定程度上缓解了信息扩散问题，在精度与效率上均有不错的提升。但其忽略了直接融合不同密度的信息带来的语义冲突，导致微小信息可能被冲突信息淹没。除此之外，没有充分利用上下文信息，特征增强能力不足限制了模型对小目标检测精度的进一步提高。

发明内容

为了解决现有技术中存在的问题，本发明提供一种改进YOLOv4网络模型及小目标检测方法，在保证检测速度的前提下，通过增强多尺度特征的学习能力、增加小目标周围的上下文信息以及加权强化目标的重要信息，弱化抑制无关的不重要信息有效提高小目标的检测精度。

为实现上述目的，本发明提供如下技术方案：

一种改进YOLOv4网络模型，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。

优选地，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1x1卷积对上采样后的特征图进行卷积。

优选地，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。

优选地，所述空间注意力模块对拼接特征图的二维空间特征进行特征增强前，采用1×1卷积降低拼接特征图的通道数。

优选地，所述空间注意力模块采用RELU函数进行特征激活。

优选地，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。