[发明专利]一种改进YOLOv4-tiny网络的目标检测算法

说明书

本发明公开了一种改进YOLOv4‑tiny网络的目标检测算法，属于计算机视觉目标检测技术领域，包括以下步骤：骨干结构中卷积模块的激活函数修改为RReLU激活函数；特征融合部分有效特征层传递特征信息阶段改进为双分支结构，残差分支引入膨胀卷积提取浅层特征，与另一分支提取的特征进行特征融合，融合后特征信息与空残差边保留的原特征信息进行特征整合；在特征融合部分中改进的双分支结构的输入阶段和下层有效特征层上采样阶段添加CA注意力机制；改进YOLO Head部分为双分支结构分别分配边界框位置预测及生成和特征分类的任务，并引入全局平均池化协助特征分类任务。本发明能够提高检测精度，大大加强对小目标的检测效果。

技术领域

本发明涉及计算机视觉目标检测技术领域，是一种改进YOLOv4-tiny网络的目标检测算法。

背景技术

目标检测是计算机视觉的重要任务之一，是一门对图像中想要的目标进行识别和定位的技术。近些年来目标检测在人工智能和信息技术的许多领域都有广泛的应用，包括机器人视觉、消费电子产品、安保、自动驾驶、人机交互等方面。随着近年来计算机硬件水平的提升、深度学习技术的发展以及各种高质量目标检测数据集的提出，涌现出越来越多优秀的目标检测算法。

YOLOv4-tiny作为一阶段YOLO算法中的经典算法，网络检测速度快，参数量少，可以很好适应于工业生产及应用，大幅提升了目标检测算法的计算效率。然而，YOLOv4-tiny网络检测精度较低，且对小目标的检测效果不太理想，为了解决检测精度低的问题，需要对YOLOv4-tiny进行改进。

发明内容

本发明需要解决的技术问题是提供一种改进YOLOv4-tiny网络的目标检测算法，能够提高检测精度，并充分提取浅层信息，加强对小目标的检测效果。

为解决上述技术问题，本发明所采用的技术方案是：

一种改进YOLOv4-tiny网络的目标检测算法，包括以下步骤：

S1：对YOLOv4-tiny网络骨干网络部分原卷积模块中的LeakyReLU激活函数进行修改，引入RReLU激活函数；

S2：对YOLOv4-tiny网络的特征融合部分进行改进，在特征融合部分有效特征层传递特征信息阶段引入残差边形成双分支结构，在残差分支引入膨胀卷积提取浅层特征，另一分支提取特征后与浅层特征进行特征融合，并引入空残差边保留原特征信息与融合的特征信息进行特征整合；

S3：分别在特征融合部分中改进的双分支结构的输入阶段和下层有效特征层上采样阶段添加CA注意力机制；

S4：对于YOLOv4-tiny网络的YOLO Head部分进行改进，双分支结构分别分配边界框位置预测及生成和特征分类的任务，并引入全局平均池化协助特征分类任务。

本发明技术方案的进一步改进在于：S1的RReLU激活函数中，选取(0.1-0.3)作为负值斜率的均匀分布区间，RReLU激活函数公式如下：

其中，x_ji表示每层上一层的输入，y_ji表示每一层的输出，a_ji表示从一个均匀分布(0.1-0.3)中随机抽取的数值。

本发明技术方案的进一步改进在于：S2具体包括以下步骤：

S21在骨干网络传递特征信息到特征融合部分后，将引入残差边改进为双分支结构；

双分支结构为原分支边继续进行3×3的普通卷积提取特征操作，所添加残差边上边利用膨胀卷积进行特征提取操作，膨胀卷积公式如下所示：

k’＝d×(k-1)+1

公式中k表示为输入的卷积核尺寸，d表示膨胀系数大小，k’表示经过膨胀卷积操作后的等效卷积核尺寸；