融合L-α的YOLO-v4小目标检测算法

当前基于深度学习的目标检测技术得到了迅速发展,但小目标检测仍然是一个有待改善的难题。相比于大目标,小目标检测任务存在分辨率低、特征易丢失等特点,很多通用的目标检测算法不能直接迁移到小目标检测。特征金字塔融合能有效结合深层和浅层的特征,增强对小目标的检测性能,然而现有模型大都忽略了相邻层间融合时的信息不平衡问题。针对此问题,提出将有效融合因子的思想融入YOLO-v4的PANet结构,添加融合因子L-α控制深层向浅层传递的信息量,从而有效提高信息融合效率,增强YOLO-v4对小目标的检测能力。实验表明,加入了L-α的YOLO-v4模型,在Tiny Person数据集上平均精度AP₅₀^tiny和AP₅₀^small分别提高了2.14%和1.85%,在MS COCO数据集上平均精度AP和AP_S分别提高了1.4%和2.7%,且检测结果优于其他小目标检测算法,证明此改进方法对小目标检测有效。