计算机科学与探索

作者：何湘杰, 宋晓宁

单位：江南大学 人工智能与计算机学院 江苏省模式识别与计算智能工程实验室，江苏 无锡 214122

关键词：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 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、17.4、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。

来源：2024年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2024年第1期