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。