YOLOv4-Tiny的改进轻量级目标检测算法

作者：何湘杰; 宋晓宁^*

来源：计算机科学与探索, 2023, 1-17.

• 目标检测
• YOLOv4-Tiny算法
• 注意力机制
• 轻量级神经网络
• 特征融合

目标检测是深度学习的重要分支领域，大量的边缘设备需要轻量级的目标检测算法，但现有的轻量级的通用目标检测算法存在检测精度低，检测速度慢的问题，针对这一问题提出了一种基于注意力机制的YOLOv4-Tiny的改进算法。调整了原有的YOLOv4-Tiny算法的主干网络的结构，引入了ECA注意力机制，使用空洞卷积改进了传统的SPP（spatial pyramid pooling）结构为DC-SPP结构，并提出了CSATT注意力机制，与特征融合网络PAN形成CSATT-PAN的颈部网络，提高了网络的特征融合能力。我们的YOLOv4-CSATT算法和原始YOLOv4-Tiny算法相比，在检测速度基本持平的情况下，对于信息的敏感程度以及分类的准确程度有了明显的提高，在VOC数据集上精度提高了12.3%，在COCO数据集上高出了6.4%。并且在VOC数据集上，相比于Faster R-CNN、SSD、Efficientdet-d1、YOLOv3-Tiny、YOLOv4- Mobilenetv1、YOLOv4-Mobilenetv2、PP-YOLO算法在精度上分别高出3.3%，5.5%，6.3%，17.3%，10.3%，0.9%，0.6%，且在召回率这一指标上分别高出2.8%，7.1%，4.2%，18%，12.2%，2.1%，4.0%，FPS达到99帧每秒。本文通过提出CSATT注意力机制提高了模型对于空间的通道信息的捕捉能力，并结合ECA注意力机制和特征融合金字塔算法，提高了模型的特征融合的能力，提高了模型的目标检测精度。

• 单位
  江南大学