CN115063701B 一种基于改进YOLOv4的无人机航拍小目标检测方法 （南京理工大学）

一种基于改进YOLOv4的无人机航拍小目标本发明公开一种基于改进YOLOv4的无人机航拍图像小目标检测方法，针对VisDrone数据CSPDarknet53的基础上构建MobileCSPDarknet-构建ASPP与Bi-PANet，最后训练模型并通过mAP及Totalparams评价目标检测性能。该方法在mAP提高7.36参数量仅为原模型的24.49%,2建立主干特征提取网络MobileCSPDarkne所述主干特征提取网络MobileCSPDarknet-tiny以CSPDarknet53为基础，去除第5个建立加强特征提取网络ASPP+Bi-PA上，融合BiFPN思想，将上采样之后的通道堆叠和下采样之后的通道堆叠分别换成权重相提取网络ASPP+Bi-PANet以及分类回归层YO当输入通道数等于输出通道数时，所述深度可分离模块依次序贯卷积核大小为3*3的所述第一激活函数为h-swish＝x*ReLU6(x+3)/6，ReLU6＝min(max(x,0),6)；所述激活函数为h-sigmoid＝ReLU6(x+3)当输入通道数不等于输出通道数时，所述深度可分离模块依次序贯卷积核大小为1*1所述第一激活函数为h-swish＝x*ReLU6(x+3)/6，ReLU6＝min(max(x,0),6)；所述激活函数为h-sigmoid＝ReLU6(x+3)为主干特征提取网络MobileCSPDarknet-tiny的三个输出out1，out2，out3各自添加out1依次经过卷积核大小为1*1的普通二维卷积、ASPP所述三次卷积依次序贯卷积核大小为1*1的普通二维卷积、卷积核大小为33过程定义为第一次上采样，第一次上采样之后的权重包括3部分，分别为w0*out2_1、w1*建立改进的YOLOv4模型：将得到的out1_2经过YOLOHEAD1；out2_5经过YOLOHEAD2；使用数据集训练改进的YOLOv4模型，以mAP和Totalparams作为模型评价指标进行评其中TP表示正确识别出的正样本数量，FN表示分类错误或没有识别出的正样本数量，4[0003]VisDrone是由天津大学机器学习和数据挖掘实验室的AISKYEYE团队基于不同无在提高检测精度的同时进一步压缩模型是本工作的关[0010]所述加强特征提取网络ASPP+Bi-PANet首先分别为主干特征提取网络5加强特征提取网络ASPP+Bi-PANet以及更多特征，尤其是每一部分的融合都包含了主干特征提取网络out3)，有效降低了在加强特征提取网络进行反复特征提取操作过程中造成的航拍小目标[0017](3)通过搭建改进的YOLOv4模型并在VisDrone数据集上进行训练与测试，本发明的表现与原始的YOLOv4相比，mAP提高7.36参数量仅为原模型的24.49具有虚警率6[0037]1.4定义目标框像素面积小于32*32的目标为绝对尺寸小目标，目标框像素大于[0039]1.6对统计数据进行分析总结：VisDrone数据集平均每张图片标注的个数高达重不平衡的现象；数据集中绝对尺寸小目标占比61相对尺寸小目标占比高达97小目[0041]结合图6，所述主干特征提取网络MobileCSPDarknet-tiny以CSPDarknet53为基[0043](1)当输入通道数等于输出通道数时，所述深度可分离模块依次序贯卷积核大小[0048](2)当输入通道数不等于输出通道数时，所述深度可分离模块依次序贯卷积核大小为1*1的普通二维卷积、BN层、第一激活函数、卷积核大小为3*3的深度卷积、BN层、7[0055]结合图6，所述加强特征提取网络ASPP+Bi-PANet首先分别为主干特征提取网络[0056]3.1分别为主干特征提取网络MobileCSPDarknet-tiny的三个输出out1，out2，[0061](1)out3_1经过卷积核大小为1*1的普通卷积和算法为nearest的上采样，输出ou3_2，将此过程定义为第一次上采样，第一次上采样之后的权重包括3部分，分别为w0*[0064](2)out2_3经过卷积核大小为1*1的普通卷积和算法为nearest的上采样，输出ou2_2，将此过程定义为第二次上采样，第二次上采样之后的权重包括3部分，分别为w0*8图形处理器为GeForceRTX2080Ti，RAM为11G的Windows系统的主机，其中编译环境为9不足7由统计结果可知，VisDrone数据集中像素小于32*32的绝对尺寸小目标占比61%,目标尺寸小于图像尺寸的0.01倍的相对尺寸小目标占比高达97小目标的大量存在使得立姿势或行走的人)和people(其他情况的人)两个类别极易混淆，为目标的正确检测带来[0086](3)训练结果分析：基于改进YOLOv4的无人机航拍图像小目标检测结果由mAP和Totalparams为64363101，改进的YOLOv4模型Totalparams为15761675。该方法在VisDrone数据集上的表现与原始的YOLOv4相比，mAP提高7.36参数量仅为原模型的