一种改进YOLOv4网络模型及小目标检测方法技术

本发明专利技术一种改进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。出检测结果。出检测结果。

【技术实现步骤摘要】
一种改进YOLOv4网络模型及小目标检测方法


[0001]本专利技术涉及目标检测
，具体为一种改进YOLOv4网络模型及小目标检测方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为了解决现有技术中存在的问题，本专利技术提供一种改进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。
[0005]为实现上述目的，本专利技术提供如下技术方案：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。
[0006]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。
[0007]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。
[0008]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。
[0009]优选地，所述空间注意力模块采用RELU函数进行特征激活。
[0010]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。
[0011]优选地，所述骨干结构网络模块采用CSPDarknet53网络结构。
[0012]一种基于本专利技术所述改进YOLOv4网络模型的小目标检测方法，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。
[0013]优选地，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3x3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。
[0014]优选地，所述高效双重注意力模块对拼接特征图中的一维通道特征进行特征增强包括如下步骤：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。
[0015]与现有技术相比，本专利技术具有以下有益效果：本专利技术提供一种改进YOLOv4网络模型，在现有的YOLOv4网络模型的基础上，在PAFPN添加含有大量底层特征（如纹理、棱角等）的四倍下采样的浅层特征图参与多尺度特
征融合，提高特征表达能力。同时在特征融合模块中自底向上的分支上加入特征增强模块和高效双重注意力模块，通过采用多尺度空洞卷积级联能够在几乎不增加网络参数量的情况下充分扩大特征图的感受野，增强上采样后特征图的语义信息。此外利用高效双重注意力模块，能够加权强化目标的重要信息，弱化抑制无关的不重要信息，缓解融合特征图产生的混叠效应和位置偏移。本专利技术通过设计增加特征融合分支，并添加特征增强模块与高效双重注意力模块，缓解信息扩散问题，增强模型对小目标的关注度，实现对小目标检测精度的有效提升。
[0016]进一步地，本专利技术代替传统YOLOv4网络模型中的SPP模块，加入特征增强模块进行特征增强，同时对特征增强模块进行重新设计，包括采用亚像素卷积取代传统的最近邻值法和反卷积法对小尺寸特征图进行上采样操作，通过多通道间重组的方式，将多通道的单个像素组合成新的特征图上的一个单位，因此填充的数字均为自己本身的信息，不会引入无效信息，在保存更多有效信息的同时实现从低分辨图到高分辨图的重构。
[0017]进一步地，本专利技术为避免模型参数过多增加模型复杂度，重新设计加入了一种高效双重注意力模块，其中，空间注意力模块采用两个3x3卷积替代5x5卷积，能够在感受野相同的情况下，减少参数量和计算量，并且网络层数得以加深，在一定程度上提升了网络效果。
[0018]进一步地，本专利技术为避免模型参数过多增加模型复杂度，重新设计加入了一种高效双重注意力模块，其中，通道注意力模块使用批归一化(BN)中的比例因子来表示各通道权重的重要性，避免添加SE、BA本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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1x1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。4.根据权利要求3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。5.根据权利要求3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。6.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。7.根据权...

【专利技术属性】
技术研发人员：燕并男，李嘉欣，张峰川，杨兆昭，张鑫鹏，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：