[发明专利]基于改进的多尺度自适应特征融合的DC-YOLOv4算法

说明书

本发明主要针对小目标检测的多尺度目标并存现象对YOLOv4改进方法进行研究，PAFPN进行多尺度特征融合的方式虽然增加了目标总体检测精度，但由于第二次自底向上的特征传递并未提供更多小目标特征，本发明对原来的PAFPN多尺度特征融合结构进行调整，首先使用跳跃连接将同层级特征图进行传递，然后将将浅层特征图向上层传递，方便检测小目标，最后在第一次自顶而下结构引入CARAFE上采样算子增加上下文信息流入，从而得到基于改进的多尺度自适应特征融合算法。本发明将这种算法模型称为DC‑YOLOv4，实验证明在PASCAL VOC2007数据集和MS COCO 2017数据集上其可以有效地提升小目标检测精度。

技术领域

本发明目标检测技术领域，具体涉及到一种基于改进的多尺度自适应特征融合算法，并将这种算法与YOLOv4模型结合，称为DC-YOLOv4。

背景技术

本由于小物体目标具有易于隐蔽，难以检测的特点，是必须重点针对的问题。目标检测图像中的物体常常呈现出多尺度共存分布现象，即不同大小的物体出现在同一图像中，大中型目标由于具有较高的分辨率，所以检测效果良好，但是小目标物体因为自身所占像素过小，多出现无法识别现象。因此，本发明提出一种改进的多尺度自适应特征融合算法--DC-YOLOv4来改善小目标物体的检测性能。

发明内容：

本发明旨在发明基于改进的多尺度自适应特征融合的DC-YOLOv4算法，本发明包括如下的技术方案：

(1)在PAFPN结构的基础上，引入跳跃连接对同层级特征融合更多信息，就是将处于同一层级的初始输入特征图和输出特征节点进行连接，在两者之间简单增加一条额外的传输边进行特征结合，在不增加计算量的同时融合更丰富的同级特征。

其次，可以观察到C1,C2层级的浅层特征图在多尺度特征融合中并没有被使用过，但是它们含有大量的底层特征可以提升小目标检测的性能。因此，考虑将C1，C2层级特征跨尺度传输到P3层级，由于C1层级特征图的分辨率较高，所包含的特征信息过于接近初始图像像素信息，所以只将C2层级的信息进行特征融合，增加小目标检测能力。最后考虑到C2，C3层级的特征与P3融合时参与贡献不同，使用归一化加权融合来学习不同尺度特征的权重。归一化加权融合方式如公式所示。

w是可学习的权重，其参入计算时可以表示为标量(每个特征向量的值)，矢量(针对输入的通道数量)以及多维向量(针对图像的所有像素点)，所以必须将其权重进行归一化，使其大小限制在范围为[0,1]的区域内，则是为了避免数值不稳定的一个初始化小数。

多尺度自适应特征融合结构对应层级的特征图计算方式如公式所示，可以看出这种经过多层级特征图输入的节点都是使用了权重归一化操作来自适应的进行特征融合。

(2)使用轻量级上采样算子CARAFE来代替第一次自底向上路径中上采样操作，在跨尺度双向特征融合网络特征中有两个融合模块，第一个是基于特征金字塔的上采样融合模块，第二个是自底向上路径里的下采样融合模块。

本发明的上采样融合模块是通过使用上采样算子CARAFE来取代原来融合过程中的双线性插值上采样算子。在自顶向下特征融合过程中，首先将C5特征图进行1×1卷积得到过渡特征图T5，然后通过CARAFE上采样算子进行2倍采样率计算得到的特征图和经过1×1卷积的C4特征图进行Concat特征融合，然后送入下一层级T4，之后迭代的完成三个层级的特征图上采样。CARAFE上采样算子的加入可以使得不同尺度的特征图内部的上下文语义信息传递更充分，信息的缺失降低，可以有效地提升检测效果。下采样融合模块主要是使用权重归一化操作对输入的不同尺度特征图进行调整，保证其都可以充分参入信息的融合过程。