基于改进YOLOv4-tiny的节肢动物目标检测模型

针对自然环境下节肢动物背景复杂、形态万千、遮挡目标和目标尺度多样等因素,导致模型检测效率不高、边界框定位不准确的情况,提出一种基于改进YOLOv4-tiny的节肢动物目标检测模型。首先,结合空间、通道卷积注意力机制(CBAM),抑制背景噪声;其次,引入可变形卷积(DCN)以及改进的加权双向特征金字塔,重塑卷积和特征融合方式进行多尺度预测;最后,在FPN网络中引出一层Feat@3,嵌入空间金字塔池化结构,有效提取节肢动物的各种显著特征,使模型泛化能力更强,将改进后的模型命名为YOLOv4-tiny-ATO。实验结果表明,该模型在大小仅为54.6 Mb的前提下,很好地平衡了检测速度和检测精度,检测精度为0.725,检测速度达到89.6帧·s-1,召回率为0.585,较改进前相比YOLOv4-tiny模型,检测精度提高0.426,模型在模型大小、检测速度上更适用于移动端部署,模型检测精度也能达到应用标准,满足对节肢动物的检测需求。

YOLOv4-Tiny的改进轻量级目标检测算法

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。提出的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个百分点,在COCO数据集上高出了6.4个百分点。在VOC数据集上,相比Faster RCNN、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、17.4、10.3、0.9和0.6个百分点,在召回率上分别高出2.8、7.1、4.2、18.0、12.2、2.1和4.0个百分点,FPS达到94。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以及目标检测精度。

基于改进YOLOv4算法的遥感图像飞机目标检测

针对在遥感图像上对飞机目标检测的精度低问题,论文通过对PANet特征融合网络结构的加深使得YOLOv4算法对小目标的检测更加敏感,进而提高算法的平均检测精度;另外,利用K-means++算法产生了能够自适应与数据集的检测先验框以减少YOLOv4检测算法对边界框回归损失计算过程中的冗余。在RSOD(Remote Sensing Object Detection)数据集上的对比实验表明,综合改进后的YOLOv4算法AP值达到了80.25%。特别地,改进后的YOLOv4算法对小目标检测的置信度得分较高。

基于改进YOLOv4-Tiny的矿井电机车多目标实时检测

为解决煤矿巷道环境恶劣及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至4尺度预测,并且在网络模型的颈部引入空间金字塔池化(spatial pyramid pooling,SPP)模块,以丰富特征融合信息,增大网络模型的感受野。其次,以煤矿巷道中的行人、电机车、信号灯及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类;对比分析结果表明,K-means++算法具有更好的聚类效果。最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步展示了不同改进措施对网络模型检测性能的影响;并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明:YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均精度均值(mean average precision,mAP)为95.35%,对小目标“碎石”的平均精度(average precision,AP)为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38%和41.66%;改进后算法的平均检测速度达58.7帧/s(frames per second,FPS),模型内存仅为26.3 Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。

改进YOLOv7-tiny的无人机目标检测算法

针对无人机视角下小目标难以检测、目标密集和环境复杂导致漏检概率增加的问题,提出一种改进YOLOv7-tiny的无人机目标检测算法。在原主干网络的基础上增加一个并行网络,加强主干网络对特征图信息的提取能力;增加细小目标采样尺度并改进FPN结构,使主干网络输出的特征图可以用于后续上采样和下采样当中,提高网络精度;加入CA注意力机制,优化主干网络输出特征图,减少特征信息损失;使用WIoU损失函数计算定位损失,增强网络对小目标的检测能力。实验结果表明,相较于原算法,改进YOLOv7-tiny算法的准确率和召回率分别提升了2.8和2.7个百分点,mAP@0.5和mAP@0.5:0.95分别提升了3.8和3.2个百分点,有效提高了算法的检测精度。

基于改进YOLOv4-Tiny的交通车辆实时目标检测

针对传统交通车辆实时检测技术在检测速度和准确性等方面存在的问题,提出了改进型YOLOv4-Tiny交通车辆图像实时检测模型。改进该模型的CSPResNet和空间金字塔池化(Spatial Pyramid Pooling,SPP),减少模型的计算量;改进特征金字塔网络(Feature Pyramid Network,FPN)及使用池化特征增强方法,增加少量计算量,获取模型的多尺度特征图以提升精度;引入注意力机制,增强模型对通道和空间特征的关注。实验结果表明,改进的YOLOv4-Tiny算法相比原YOLOv4-Tiny算法,模型平均精度均值(mean Average Precision,mAP)提升了4.67%,检测速度提升了2.5帧/秒,模型大小减少了52.74%,能够满足交通车辆实时检测对精度和实时性的要求。

基于改进YOLOv4的多目标车辆检测算法

针对现有检测方法存在小目标车辆漏检率高以及夜间车辆误检率高的问题,提出一种基于改进YOLOv4的多目标检测算法。引入深度可分离卷积代替标准卷积,减少模型的参数量与计算量。在保留YOLOv4输出层的同时,增加一层网格为104×104的输出层,提升算法对小目标车辆的检测性能。在Head部分引入Inceptionv3结构,采用K-means++聚类算法重新确定锚框,进一步提高算法对小目标车辆的检测性能。实验结果表明,算法相比改进前,在不降低检测速度的同时,其mAP增加2.44%,模型大小减少1/3,具有良好的鲁棒性。

基于改进YOLOv7-Tiny的交通多目标检测方法

在复杂的多目标交通环境中存在检测种类多、背景信息繁杂、图像分辨率低不能有效检测等问题,使用常见的目标检测算法不能达到高精度的实时检测效果,因此提出一种改进YOLOv7-Tiny的交通多目标检测算法。改进算法中首先使用部分卷积——PConv替换原始卷积,优化模型参数量和运行速度;其次采用轻量级算子CARAFE替换原有上采样部分的最临近插值,提升特征融合能力;最后采用EfficiCLoss替换原有损失函数,提高边界框的定位精度改善检测目标因遮挡而漏检问题。此外创建一个基于交通复杂场景的多目标数据集,在此数据集上进行实验,结果表明改进后的检测算法相较于原YOLOv7-Tiny网络的mAP提高了4.3%,检测速度提高了12.5%,参数量减少了30%,满足智慧交通实时检测的要求。

基于改进YOLOv4的遥感图像目标检测算法

针对遥感卫星图像目标尺寸较小、背景较为复杂并且分布密集的问题,在YOLOv4算法基础上,通过使用K-means重新聚类,优化先验锚框的数量和尺寸,减少网络的计算;引入动态激活函数,自适应网络输入特征,提高模型的泛化能力;改进PANet结构,扩展了浅层特征的特征融合。实验结果表明,改进的YOLOv4算法对遥感图像中密集排列的小目标图像识别的准确率、检测速度都有所提高,满足了对于遥感图像小目标检测的要求。

改进YOLOv7-tiny的轻量级红外车辆目标检测算法

为了解决红外场景下车辆检测算法参数量与计算量大、识别精度低、小目标检测难度大的问题,提出了一种改进YOLOv7-tiny的轻量级红外车辆目标检测算法:KD-YOLO-DW。通过融合深度可分离卷积提出了ELAN-DW模块,极大地降低了网络参数量与计算量。通过在特征融合层引入GhostNet V2模块,提高了不同尺度特征的融合能力。采用动态非单调FM的WIoU损失函数,解决了红外数据集难易样本不平衡的问题,提高了轻量级算法对红外弱小目标的检测能力。联合残差思想提出跨尺度融合策略,提高了轻量级算法对不同尺度目标的检测效果,降低了小目标的漏检率。通过知识蒸馏对轻量化模型再次浓缩,进一步提高了模型对检测红外目标的准确性。实验结果表明,KD-YOLO-DW模型在参数量与计算量方面分别较YOLOv7-tiny模型下降了24.6%和16.7%,模型大小仅为9.2 MB,mAP分别提高了3.27和3.15个百分点,拥有更小的模型体积与更好的检测效果。

基于YOLOv4改进特征融合及全局感知的目标检测算法

YOLOv4算法在检测速度和精度上达到了很好的平衡,但仍存在着定位框不准确、检测率低的问题,尤其是在检测目标较小、尺度变化大的情况下。针对以上问题,提出一种新的基于YOLOv4改进的目标检测算法。该算法采用改进的特征融合模块(path aggregation network combined with bi-directional feature pyramid network,P-Bifpn)代替PANet(path aggregation network),增加跨尺度连接的同时在输出端引入权重,增强重要特征的表现力,解决由多尺度变化而引起的精度下降。然后,采用新的全局注意力机制(global association network,GANet),在减少平均池化与计算量的同时增强Sigmoid函数输出,加强模型对目标上下文关系的学习,减少噪声干扰和全局信息的损失。试验采用RSOD、NWPU VHR-10数据集,平均检测精度分别提升了约5%和3%;泛化试验采用VOC2007+2012公共数据集,平均检测精度提升了约0.6%。试验结果表明改进的算法能够有效提高模型的检测能力。

基于改进YOLOv4的轻量化目标检测方法

针对检测模型参数量大,难以在嵌入式设备上部署等问题,设计了一种改进的YOLOv4目标检测算法.该算法使用轻量化的MobileNetV1替换CSPDarketnet53主干特征提取网络,并将后续网络中的3×3卷积替换为深度可分离卷积,极大地减少了模型的参数量;在检测头加入NAM注意力模块,增强网络对细节信息的提取能力;采用SDIoU Loss作为边框回归损失,在加快收敛速度的同时提高了检测精度.实验表明:与YOLOv4-CSPDarknet53相比,改进算法在PASCAL VOC07+12数据集上训练出来的模型大小为47.19 M,约为原来的五分之一,FPS提升了40(f/s),mAP提升了2.4%.与YOLOv4-Tiny、YOLOv5s、YOLOv7等目标检测算法相比,具有兼顾检测速度与精度的特点.

一种基于YOLOv4的密集人群小目标检测方法

针对密集人群中由于视觉受阻和目标被遮挡导致小目标检测精度不佳的问题,本文基于YOLOv4模型将卷积块–像素块注意力机制模块(convolutional-pixel block attention module,CBAM-PIX)融入主干网络CSPDarknet53,并利用级联思想改进特征融合网络。注意力机制方法和特征融合方法不仅提升了数据的丰富性,而且提高了空间通道像素提取信息的能力和目标检测的准确性。此外,通过减少网络层数降低计算量和减少参数,提高了网络模型在有限计算资源和设备需求下的适应能力。实验结果表明,改进的模型算法在用于密集人群小目标检测时精确度提升了1.96%,且鲁棒性强。该算法为解决复杂背景下密集人群小目标检测提供了有效的解决方案,具有应用价值。

改进的YOLOv4头盔佩戴目标检测研究

针对骑手在骑行时是否佩戴头盔对交通安全的影响问题,提出了一种改进的YOLOv4算法,能够更准确地识别和检测骑手是否佩戴头盔,从而为骑手提供安全保障。首先,选择轻量级网络MobileNetv1作为主干特征网络,并将YOLOv4网络中尺寸为3×3、步长为1的标准卷积层均替换为深度可分离卷积,减少模型计算量的同时提升检测速度;其次,引入ECA注意力机制,关注重点特征并抑制非必要特征,增加特征网络表现力;最后,引入改进的损失函数Focal-EIOU,改善常见的样本不均衡问题。实验结果表明:改进的YOLOv4算法生成的模型权重大小为48.43 M,是YOLOv4算法权重大小的19.3%,检测速度由33.40帧/秒提升至50.40帧/秒,mAP值为95.56%,在满足精确性的前提下更有利于轻量化部署。

基于轻量化模型YOLOv4-tiny的目标检测改进

针对实际场景中需要高速检测但硬件设备的处理器性能较弱,不能得到应有的检测效果的问题,本文以YOLOv4-tiny作为框架,提出一种轻量化模型的方法。首先构建空间金字塔空洞卷积(Spatial-pyramid-dilation, SPD)模块,提取更多目标特征;其次减少跨级部分(Cross-Stage-Partial,CSP)模块的第二分支的一个Concate,增加1×1卷积,降低网络的计算复杂度;最后将压缩激活(Squeeze-and-excitation,SE)模块置于CSP模块之前,提升检测性能,通过轻量化特征增强网络能够改善对小目标检测效果。实验结果表明,改进后的模型相较于原YOLOv4-tiny,平均精确率提升了6.3%,平均查全率提升了3.9%,实现了YOLOv4-tiny的轻量化改进。改进后模型轻量化程度较大,能够实现高速检测,适宜在性能较弱的移动设备上部署。

改进型YOLOv4-tiny的轻量级目标检测算法

为解决部署在嵌入式设备上的目标检测中特征提取速度较慢、检测实时性不足和算法移植性较差的问题,以YOLOv4-tiny为基准网络,提出一种基于CSPRDWConv(cross stage partial residual depthwise convolution)模块的轻量级网络YOLOv4-tiny-CSPRDWConv,并使用改进的Mosaic数据增强来提升检测模型精度。CSPRDWConv模块中适当缩减算力规模,使得整个模块在保持精度的同时大幅提升推理速度;改进的Mosaic数据增强方法,节省数据增强进程的时间,充分利用每个图像块,并且过滤掉物体过小的目标,使得模型更易于训练。在此基础之上,主干网络的卷积层全部选用小卷积核,只在最后一次压缩特征图时使用5×5的深度可分离卷积,以确保模型低延迟和高准确度的特性;在Neck中引入弱SPP模块,利用局部特征和全局特征来提高目标检测的精度;通过NEON指令对训练后的检测模型进行优化,将卷积层与BN层融合,加快模型的推理进程。改进的YOLOv4-tiny算法在1080Ti的硬件上达到1 308 FPS的实时检测速度,在RK3288开发板上的推理速度约为8 FPS,检测速度约为YOLOv4-tiny基准网络的4倍;mAP达到22.31%,相比于基准网络提升0.61个百分点。实验结果表明,改进的YOLOv4-tiny算法在嵌入式设备上的检测效果更为流畅和高效。

改进YOLOv4-Tiny的SAR图像目标快速检测方法

如今面向合成孔径雷达(synthetic aperture radar,SAR)图像的目标检测技术已得到广泛的研究与应用,并通过深度学习的方法可有效应用于复杂背景特征下的舰船检测,检测精度和速度也具有一定的效果。为提高在SAR舰船目标场景中的检测速度和精度,提出了一种可用于SAR舰船图像的单类目标快速检测方法,主要通过应用深度可分离卷积修改YOLOv4-Tiny网络,并在此基础上添加经改进的通道和空间注意力机制来提升精度。以输入图像尺寸为608×608为基准,相比于YOLOv4-Tiny模型,实验结果表明,该方法的检测精度可达93.91%,检测速度可达42.8 frame/s,提高了11.7 frame/s,模型权重仅有2.17 MB大小,约为YOLOv4-Tiny的1/10。模型利于硬件上板部署,满足SAR图像舰船目标的快速检测场景需求。

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

基于改进YOLOv4-Tiny的河湖船舶目标检测算法

为有效提升复杂河湖环境下河湖过往船舶的精准快速识别效果,提出了基于改进YOLOv4-Tiny的河湖船舶目标检测算法。该算法首先通过引入Sigmoid加权线性单元(SiLU)激活函数,构建卷积+批标准化+SiLU激活函数的卷积模块,并替换主干网络中原有模块,然后在主干网络之后增加改进的空间金字塔池化(SPP)网络,最后在特征金字塔网络(FPN)中引入卷积块注意力模块(CBAM),同时采用自上而下的连接,构建改进的路径聚合网络(PANet)。实验结果表明:在昏暗、模糊、强光、遮挡重叠等复杂环境下,提出的改进YOLOv4-Tiny目标检测算法的平均精度比原始算法提升了1.27%,检测(推理)速度达到81.55帧/s,且仅占用内存37.34 MB。研究成果可为河湖过往船舶智能管理提供参考。

YOLOv4-tiny模型在边缘计算平台的加速设计

近年来,随着目标检测算法的快速发展,其模型规模也越来越大,在嵌入式移动端中部署时往往存在着功耗和时延等限制。针对此问题,采用输入输出通道的并行组合策略、数据定点量化、多通道数据传输等硬件加速方法,设计了一种基于FPGA平台的目标检测加速器架构。以YOLOv4-tiny模型算法为例进行硬件加速设计实现,使用输入输出通道并行组合策略对加速器的输入输出模块进行优化,提高了带宽的利用率;采用双缓存结构对加速器的访存机制进行优化,提高了系统的传输效率,并对加速器的性能以及资源消耗情况进行评估、分析和验证。实验结果表明,在PYNQ-Z2平台上该架构的性能为10.96 GOPS,功耗为2.98 W。与已有研究中在FPGA平台部署目标检测算法的实验进行比较发现,本文所提出的加速器的加速效果更好。