基于YOLOv4网络优化的目标检测装置、方法、设备和介质制造方法及图纸

本申请涉及一种基于YOLOv4网络优化的目标检测装置、方法、设备和介质，装置包括：获取模块，其被配置为获取待检测图像；检测模块，其被配置为将待检测图像输入基于YOLOv4网络优化的目标检测器得到不同尺度目标对象的检测结果；目标检测器包括主干网络、颈部网络和预测网络；主干网络包括Focus模块和特征提取网络，Focus模块切片处理待检测图像，特征提取网络对切片后的待检测图像进行下采样特征提取；颈部网络包括特征金字塔网络和路径聚合网络，路径聚合网络对特征金字塔网络在上采样中进行特征融合的输出进行下采样和全局特征融合；预测网络根据路径聚合网络的输出进行对应的目标对象预测。本申请能够有效提高目标检测精度和召回率。度和召回率。度和召回率。

【技术实现步骤摘要】
基于YOLOv4网络优化的目标检测装置、方法、设备和介质


[0001]本申请涉及图像检测的
，尤其涉及一种基于YOLOv4网络优化的目标检测装置、方法、设备和介质。

技术介绍

[0002]在自动驾驶技术中，作为实时定位与建图的基础技术之一的目标检测，其核心任务是检测出目标对象。相关技术中，以YOLOv4目标检测技术为例，其通过卷积对目标物进行位置回归和类别的预测，还具有检测速度快、计算资源消耗少等优点；但考虑到待检测的小目标对象具有目标特征少、数量占比小和目标位置定位精度要求高等问题，会出现比如检测小目标对象漏检误检的问题。
[0003]尽管现阶段计算机技术和深度学习算法的发展迅猛，目标检测技术也随之得到提高，然而YOLOv4检测算法应用在小目标对象检测中时，其表现并不十分理想，检测精度和召回率仍然还有待进一步优化。

技术实现思路

[0004]为解决或部分解决相关技术中存在的问题，本申请提供一种基于YOLOv4网络优化的目标检测装置、方法、设备和介质，能够有效提高目标检测精度和召回率。
[0005]本申请第一方面提供一种基于YOLOv4网络优化的目标检测装置，所述装置包括：
[0006]获取模块，其被配置为获取待检测图像；
[0007]检测模块，其被配置为将所述待检测图像输入基于YOLOv4改进的目标检测器得到不同尺度目标对象的检测结果；
[0008]其中，所述目标检测器包括依次相连的主干网络、颈部网络和预测网络；所述主干网络包括Focus模块和特征提取网络，所述Focus模块被配置为切片处理所述待检测图像，所述特征提取网络被配置为对切片后的待检测图像进行下采样特征提取以得到多个不同尺度的第一特征图；所述颈部网络包括特征金字塔网络和路径聚合网络，所述特征金字塔网络被配置为对各个不同尺度的第一特征图在上采样过程中进行特征融合以输出多个不同尺度的第二特征图，所述路径聚合网络被配置为对各个不同尺度的第二特征图在下采样过程中进行全局特征融合以输出多个不同尺度的第三特征图；所述预测网络被配置为根据多个不同尺度的第三特征图进行对应的目标对象预测，以得到对应的检测结果。
[0009]在一实施方式中，所述路径聚合网络的输出端通过卷积注意力机制层CBAM模块与所述预测网络的输入端相连。
[0010]在一实施方式中，所述特征提取网络包括自上而下依次相连的第一卷积层、第一C3网络、第二卷积层、第二C3网络、第三卷积层、第三C3网络、第四卷积层、第四C3网络和SPPF模块；
[0011]其中，所述第一卷积层与所述Focus模块相连；
[0012]所述第二C3网络、所述第三C3网络和所述SPPF模块均被配置为输出所述第一特征
图。
[0013]在一实施方式中，所述特征金字塔网络包括自下而上依次相连的第五卷积层、第一上采样模块、第一拼接层、第五C3网络、第六卷积层、第二上采样模块、第二拼接层；
[0014]其中，所述第五卷积层、所述第一拼接层和所述第二拼接层的输入端与所述SPPF模块、所述第三C3网络、所述第二C3网络的输出端对应相连；
[0015]所述第五卷积层、所述第六卷积层和所述第二拼接层的输出端军被配置为输出所述第二特征图。
[0016]在一实施方式中，所述路径聚合网络包括自上而下依次相连的第一C3STR网络、第七卷积层、第三拼接层、第二C3STR网络、第八卷积层、第四拼接层和第三C3STR网络；
[0017]其中，所述第一C3STR网络、所述第三拼接层和所述第四拼接层的输入端与所述第二拼接层、所述第六卷积层和所述第五卷积层的输出端对应相连；
[0018]所述第一C3STR网络、所述第二C3STR网络和所述第三C3STR网络均被配置为输出所述第三特征图。
[0019]在一实施方式中，所述预测网络包括三个YOLOv4检测头网络，且所述第一C3STR网络、所述第二C3STR网络和所述第三C3STR网络的输出端各连接一个所述YOLOv4检测头网络。
[0020]在一实施方式中，所述第一C3STR网络、所述第二C3STR网络和所述第三C3STR网络的输出端分别通过三个卷积注意力机制层CBAM模块与三个所述YOLOv4检测头网络的输入端相连。
[0021]本申请第二方面提供一种基于YOLOv4网络优化的目标检测方法，其应用于如上所述的基于YOLOv4网络优化的目标检测装置，所述方法包括以下步骤：
[0022]获取待检测图像；
[0023]将所述待检测图像输入基于YOLOv4改进的目标检测器得到不同尺度目标对象的检测结果。
[0024]本申请第三方面提供一种电子设备，包括：
[0025]处理器；以及
[0026]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
[0027]本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
[0028]本申请提供的技术方案可以包括以下有益效果：
[0029]本申请提供的技术方案，通过获取模块获取到待检测图像，再由检测模块中的基于YOLOv4网络优化的目标检测器将获取到的待检测图像通过依次相连的主干网络、颈部网络和预测网络来进行目标对象检测；其中，先通过主干网络中的Focus模块切片处理所述待检测图像，再由主干网络中的特征提取网络对切片后的待检测图像进行下采样特征提取以得到多个不同尺度的第一特征图，之后，通过颈部网络中的特征金字塔网络对各个不同尺度的第一特征图在上采样过程中进行特征融合来输出多个不同尺度的第二特征图，以及，由颈部网络中的路径聚合网络再对各个不同尺度的第二特征图在下采样过程中进行全局特征融合以输出多个不同尺度的第三特征图，最后，再由预测网络根据多个不同尺度的第
三特征图进行对应的目标对象预测，得到大中小不同尺度目标对象的检测结果。本申请的技术方案，在主干网络下采样中先进行待检测图像的拆分加拼接处理，降低下采样计算过程中所带来的信息丢失，同时，在路径聚合网络中对各个不同尺度的第二特征图在多次下采样的过程中进行全局特征融合，获得更大范围感受野特征信息，有效提高目标对象的检测精度和召回率。
[0030]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0031]通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
[0032]图1是相关技术中示出的YOLOv4目标检测模型的网络结构示意图；
[0033]图2是本申请实施例示出的基于YOLOv4网络优化的目标检测装置的结构框图；
[0034]图3是本申请实施例示出的基于YOLOv4网络优化的目标检测器的网络结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4网络优化的目标检测装置，其特征在于，所述装置包括：获取模块，其被配置为获取待检测图像；检测模块，其被配置为将所述待检测图像输入基于YOLOv4网络优化的目标检测器得到不同尺度目标对象的检测结果；其中，所述目标检测器包括依次相连的主干网络、颈部网络和预测网络；所述主干网络包括Focus模块和特征提取网络，所述Focus模块被配置为切片处理所述待检测图像，所述特征提取网络被配置为对切片后的待检测图像进行下采样特征提取以得到多个不同尺度的第一特征图；所述颈部网络包括特征金字塔网络和路径聚合网络，所述特征金字塔网络被配置为对各个不同尺度的第一特征图在上采样过程中进行特征融合以输出多个不同尺度的第二特征图，所述路径聚合网络被配置为对各个不同尺度的第二特征图在下采样过程中进行全局特征融合以输出多个不同尺度的第三特征图；所述预测网络被配置为根据多个不同尺度的第三特征图进行对应的目标对象预测，以得到对应的检测结果。2.如权利要求1所述的基于YOLOv4网络优化的目标检测装置，其特征在于，所述路径聚合网络的输出端通过卷积注意力机制层CBAM模块与所述预测网络的输入端相连。3.如权利要求1所述的基于YOLOv4网络优化的目标检测装置，其特征在于，所述特征提取网络包括自上而下依次相连的第一卷积层、第一C3网络、第二卷积层、第二C3网络、第三卷积层、第三C3网络、第四卷积层、第四C3网络和SPPF模块；其中，所述第一卷积层与所述Focus模块相连；所述第二C3网络、所述第三C3网络和所述SPPF模块均被配置为输出所述第一特征图。4.如权利要求3所述的基于YOLOv4网络优化的目标检测装置，其特征在于，所述特征金字塔网络包括自下而上依次相连的第五卷积层、第一上采样模块、第一拼接层、第五C3网络、第六卷积层、第二上采样模块、第二拼接层；其中，所述第五卷积层、所述第一拼接层和所述第二拼接层的输入端与所述SPPF模块、所述第三...

【专利技术属性】
技术研发人员：李正旭，贾双成，
申请(专利权)人：智道网联科技北京有限公司，
类型：发明
国别省市：